Distributed representation NN
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
- Carnegie Mellon University (CMU)
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 15 August 1986
- Autori
- Geoffrey E. Hinton
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Other
- Compito
- Representation learning
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
- 0.4K
- Dati di addestramento
- 100 tokens
- Epoche
- 1,500
Parameters: 24*6 + 12*6 + 12*12 + 12*6 =432 "Figure 5: The activity levels in a five-layer network after it has learned. The bottom layer has 24 input units on the left for representing person 1 and 12 units on the right for representing the relationship. The white squares inside these two groups show the activity levels of the units. There is one active unit in the first group (representing Colin) and one in the second group (representing has-aunt). Each of the two groups of input units is tota…
"After 1500 sweeps through all 100 training examples the weights were very stable "
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
- 3.9 × 10⁸ FLOP
- Come è stato stabilito
- Operation counting
2*432*3*1500*100=388800000=3.9e8 "After 1500 sweeps through all 100 training examples the weights were very stable "
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Modello Frontier
- Yes
- Perché è monitorato
- Historical significance,Highly cited
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Learning distributed representations of concepts.
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
Distributed representation NN è stato pubblicato da Carnegie Mellon University (CMU), nel paese registrato come United States of America, durante August 1986. Esce da un'organizzazione categorizzata come academia.
Funziona nel dominio di Other, ed è registrato come eseguire il compito di representation learning.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Come è stato addestrato
Il run di addestramento ha consumato circa 3.9 × 10⁸ 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 100 token di testo
Il suo criterio di inclusione: historical significance,Highly cited.
Risposte
Distributed representation NN — domande comuni
Distributed representation NN— 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.
Distributed representation NN— quanti parametri ha?
Ha un numero di parametri di 0.4K. Parameters: 24*6 + 12*6 + 12*12 + 12*6 =432 "Figure 5: The activity levels in a five-layer network after it has learned. The bottom layer has 24 input units on the left for representing person 1 and 12 units on the right for representing the relationship. The white squares inside these two groups show the activity levels of the units. There is one active unit in the first group (representing Colin) and one in the second group (representing has-aunt). Each of the two groups of input units is totally connected to its own group of 6 units in the second layer. These two groups of 6 must learn to encode the input terms as distributed patterns of activity. The second layer is totally connected to the central layer of 12 units, and this layer is connected to the penultimate layer of 6 units.". 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.
Distributed representation NN— chi l'ha creato?
È stato pubblicato da Carnegie Mellon University (CMU), basato su United States of America, un'organizzazione categorizzata come academia.
Distributed representation NN— quando è stato rilasciato?
È stato pubblicato in August 1986. 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.
Distributed representation NN— A cosa serve?
Funziona nel dominio di Other, e viene registrato come gestire il compito di representation learning. 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.
Distributed representation NN— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.9 × 10⁸ 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.
Distributed representation NN— 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.
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.