Restricted Boltzmann machine for Face Recognition
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 Toronto,University College London (UCL)
- Tipo di organizzazione
- Academia,Academia
- Paese
- Canada, United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 1 April 2001
- Autori
- Yee Whye Teh, Geoffrey E. Hinton
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Face recognition
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
- tokens
"Our version of the FERET database contained 1002 frontal face images of 429 individuals taken over a period of a few years under varying lighting conditions. Of these images, 818 are used as both the gallery and the training set"
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Rate-coded Restricted Boltzmann Machines for Face Recognition
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
Restricted Boltzmann machine for Face Recognition è stato pubblicato da University of Toronto,University College London (UCL), nel paese registrato come Canada, durante April 2001. Esce da un'organizzazione categorizzata come academia,Academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di face recognition.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Risposte
Restricted Boltzmann machine for Face Recognition — domande comuni
Restricted Boltzmann machine for Face Recognition— chi l'ha creato?
È stato pubblicato da University of Toronto,University College London (UCL), basato su Canada, un'organizzazione categorizzata come academia,Academia.
Restricted Boltzmann machine for Face Recognition— quando è stato rilasciato?
È stato pubblicato in April 2001. 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.
Restricted Boltzmann machine for Face Recognition— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di face recognition. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
Restricted Boltzmann machine for Face Recognition— 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.
Restricted Boltzmann machine for Face Recognition— 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.
Restricted Boltzmann machine for Face Recognition— 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.
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.