Heuristic Reinforcement Learning
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
- Purdue University
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 1 October 1965
- Autori
- M. Waltz, K. Fu
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Robotics
- Compito
- System control
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
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
- 1.1 × 10⁶ FLOP
- Come è stato stabilito
- Hardware
Figure 10 shows their largest system is trained for 3h and was trained on an analog IBM 1620 that was simulated on a digital IBM 1710. Nordhaus, 2007 lists the IBM 1620 at 200 multiplications per second and doesn’t contain the 1710 Flops estimate: 0.5 * 3 * 60 * 60 * 200 = 1080000 = 1.08e6 Assumed utilization of 0.5
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Tempo di parete
- 3 hours
Figure 10
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- Historical significance,Highly cited
- Record fiducia
- Speculative
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- A heuristic approach to reinforcement learning control systems
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
Heuristic Reinforcement Learning è stato pubblicato da Purdue University, nel paese registrato come United States of America, durante October 1965. La categoria sotto cui rientra l'editore è academia.
Funziona nel dominio di Robotics, ed è registrato come eseguire il compito di system control.
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 training ha richiesto un budget di calcolo di circa 1.1 × 10⁶ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È tracciato nel dataset sottostante per una ragione in particolare: historical significance,Highly cited.
Risposte
Heuristic Reinforcement Learning — domande comuni
Heuristic Reinforcement Learning— 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.
Heuristic Reinforcement Learning— chi l'ha creato?
È stato pubblicato da Purdue University, basato su United States of America, un'organizzazione categorizzata come academia.
Heuristic Reinforcement Learning— quando è stato rilasciato?
È stato pubblicato in October 1965. 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.
Heuristic Reinforcement Learning— A cosa serve?
Funziona nel dominio di Robotics, e viene registrato come gestire il compito di system control. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
Heuristic Reinforcement Learning— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.1 × 10⁶ 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.
Heuristic Reinforcement Learning— 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.
Heuristic Reinforcement Learning— 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.
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.