Perceptron for Large Margin Classification
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 California San Diego,Shannon Laboratory,AT&T
- Tipo di organizzazione
- Academia,Industry
- Paese
- United States of America
- Pubblicato
- 1 December 1999
- Autori
- Yoav Freund & Robert E. Schapire
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Character recognition (OCR)
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
- 60,000 tokens
"The dataset consists of 60,000 training examples and 10,000 test examples."
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Citazioni
- 1,731
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Large Margin Classification Using the Perceptron Algorithm
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
Perceptron for Large Margin Classification è stato pubblicato da University of California San Diego,Shannon Laboratory,AT&T, nel paese registrato come United States of America, durante December 1999. La categoria sotto cui rientra l'editore è academia,Industry.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di character recognition (OCR).
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Cosa è stato necessario per costruirlo
Il set di addestramento si aggirava attorno a 60,000 token di testo
Risposte
Perceptron for Large Margin Classification — domande comuni
Perceptron for Large Margin Classification— chi l'ha creato?
È stato pubblicato da University of California San Diego,Shannon Laboratory,AT&T, basato su United States of America, un'organizzazione categorizzata come academia,Industry.
Perceptron for Large Margin Classification— quando è stato rilasciato?
È stato pubblicato in December 1999. 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.
Perceptron for Large Margin Classification— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di character recognition (OCR). Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
Perceptron for Large Margin Classification— 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.
Perceptron for Large Margin Classification— 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.
Perceptron for Large Margin Classification— 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.