Stacked Denoising Autoencoders
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- University of Montreal / Université de Montréal,University of Toronto
- Tipo di organizzazione
- Academia,Academia
- Paese
- Canada
- Pubblicato
- 3 January 2010
- Autori
- P Vincent, H Larochelle, I Lajoie, Y Bengio
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Other
- Compito
- Image classification
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- Dati di addestramento
- 339,250,000 tokens
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- Highly cited
- Record fiducia
- Unknown
- Citazioni
- 7,411
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion
- Ultimo aggiornamento
- 1 January 2026
Cosa significano i numeri
Da dove è venuto
Stacked Denoising Autoencoders è stato pubblicato da University of Montreal / Université de Montréal,University of Toronto, nel paese registrato come Canada, durante January 2010. Esce da un'organizzazione categorizzata come academia,Academia.
Funziona nel dominio di Other, ed è registrato come eseguire il compito di image classification.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Addestramento e provenienza
L'addestramento ha consumato un corpus di circa 339,250,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: highly cited.
Risposte
Stacked Denoising Autoencoders — domande comuni
Stacked Denoising Autoencoders— A cosa serve?
Funziona nel dominio di Other, e viene registrato come gestire il compito di image classification. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
Stacked Denoising Autoencoders— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
Stacked Denoising Autoencoders— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
Stacked Denoising Autoencoders— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
Stacked Denoising Autoencoders— chi l'ha creato?
È stato pubblicato da University of Montreal / Université de Montréal,University of Toronto, basato su Canada, un'organizzazione categorizzata come academia,Academia.
Stacked Denoising Autoencoders— quando è stato rilasciato?
È stato pubblicato in January 2010. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.