Sparse coding model for V1 receptive fields
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
- UC Davis,Cornell University
- Tipo di organizzazione
- Academia,Academia
- Paese
- United States of America
- Pubblicato
- 1 December 1997
- Autori
- Bruno A. Olshausen, David J. Field
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Miscellaneous image analysis
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
- 28,800,000 tokens
In Simulation Methods: "The data for training were taken from ten 512 × 512 pixel images of natural surroundings"
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Citazioni
- 4,257
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Sparse coding with an overcomplete basis set: A strategy employed by V1?
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
Sparse coding model for V1 receptive fields è stato pubblicato da UC Davis,Cornell University, nel paese registrato come United States of America, durante December 1997. La categoria sotto cui rientra l'editore è academia,Academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di miscellaneous image analysis.
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 28,800,000 token di testo
Risposte
Sparse coding model for V1 receptive fields — domande comuni
Sparse coding model for V1 receptive fields— 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.
Sparse coding model for V1 receptive fields— 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.
Sparse coding model for V1 receptive fields— 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.
Sparse coding model for V1 receptive fields— chi l'ha creato?
È stato pubblicato da UC Davis,Cornell University, basato su United States of America, un'organizzazione categorizzata come academia,Academia.
Sparse coding model for V1 receptive fields— quando è stato rilasciato?
È stato pubblicato in December 1997. 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.
Sparse coding model for V1 receptive fields— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di miscellaneous image analysis. 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.
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.