LISSOM
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 Texas at Austin
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 27 November 1995
- Autori
- Yoonsuck Choe, Joseph Sirosh, R. Miikkulainen
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Digit 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.
- parametri
- 432.8K
- Dati di addestramento
- 2,000 tokens
- Epoche
- 38
Total connections 32*32*20*20+20*20*48+20*20*10=432800 Input: 32*32, Lissom: 20*20, Output: 10 (Figure 1a), up to 48 lateral connections per Lissom neuron (Figure 1b)
"LISSOM was trained with 2000 patterns"
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 2 × 10¹¹ FLOP
- Come è stato stabilito
- Operation counting
Lissom connections: 32*32*20*20+20*20*48=428800 Lissom compute: 2*428800*3*38*2000=195532800000=1.96e11 Perceptron connections: 20*20*10=4000 Perceptron compute: 2*4000*3*500*1700=20400000000=2e10 Total compute: 195532800000+12000000=195544800000=1.96e11 "LISSOM was trained with 2000 patterns" "The initial self-organizing map was formed in 8 epochs over the training set, gradually reducing the neighborhood radius from 20 to 8. The lateral connections were then added to the system, and over anoth…
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- SOTA improvement,Historical significance
- Record fiducia
- Likely
"The recognition rate on a subset of NIST database 3 is 4.0% higher with LISSOM than with a regular Self-Organizing Map (SOM) as the front end, and 15.8% higher than recognition of raw input bitmaps directly. "
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Laterally Interconnected Self-Organizing Maps in Hand-Written Digit Recognition
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Sfondo
LISSOM è stato pubblicato da University of Texas at Austin, nel paese registrato come United States of America, durante November 1995. L'organizzazione di pubblicazione è classificata come academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di digit 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.
Addestramento e provenienza
Il run di addestramento ha consumato circa 2 × 10¹¹ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
L'addestramento ha consumato un corpus di circa 2,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: sOTA improvement,Historical significance.
Risposte
LISSOM — domande comuni
LISSOM— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2 × 10¹¹ FLOP. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
LISSOM— 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.
LISSOM— 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.
LISSOM— quanti parametri ha?
Ha un numero di parametri di 432.8K. Total connections 32*32*20*20+20*20*48+20*20*10=432800 Input: 32*32, Lissom: 20*20, Output: 10 (Figure 1a), up to 48 lateral connections per Lissom neuron (Figure 1b). Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
LISSOM— chi l'ha creato?
È stato pubblicato da University of Texas at Austin, basato su United States of America, un'organizzazione categorizzata come academia.
LISSOM— quando è stato rilasciato?
È stato pubblicato in November 1995. 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.
LISSOM— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di digit recognition. 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.