Samuel Neural Checkers
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
- IBM
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 1 July 1959
- Autori
- Arthur L. Samuel
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Games
- Compito
- Checkers
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
- 0K
- Dati di addestramento
- tokens
"with 16 terms for generalization learning" "Mention has been made several times of the procedure for replacing terms in the scoring polynomial. The program, as it is currently running, contains 38 different terms (in addition to the piece-advantage term), 16 of these being included in the scoring polynomial at anyone time and the remaining 22 being kept in reserve."
Based on number of board positions At the present time the memory tape contains something over 53,000 board positions (averaging 3.8 word search) which have been selected from a much larger number of positions by means of the culling techniques described. While this is still far from the number which would tax the listing and searching procedures used in the program, rough estimates, based on the frequency with which the saved boards are utilized during normal play (these figures being tabulate…
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
- 4.3 × 10⁸ FLOP
"it can learn to do this in a remarkably short period of time 8 or 10 hours of machine-playing time)" "The availability of a larger and faster machine (the IBM 704), coupled with many detailed changes in the programming procedure, leads to a fairly interesting game being played, even without any learning." "The Type 704 is the first large-scale, commercially available computer to employ fully automatic floating point arithmetic commands. [...]. Floating point addition or subtraction operations…
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
- Highly cited,Historical significance
- Record fiducia
- Likely
- Citazioni
- 5,063
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Some studies in machine learning using the game of checkers
- Ultimo aggiornamento
- 1 January 2026
Cosa significano i numeri
Sfondo
Samuel Neural Checkers è stato pubblicato da IBM, nel paese registrato come United States of America, durante July 1959. La categoria sotto cui rientra l'editore è industry.
Funziona nel dominio di Games, ed è registrato come eseguire il compito di checkers.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Come è stato addestrato
Il run di addestramento ha consumato circa 4.3 × 10⁸ 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: highly cited,Historical significance.
Risposte
Samuel Neural Checkers — domande comuni
Samuel Neural Checkers— A cosa serve?
Funziona nel dominio di Games, e viene registrato come gestire il compito di checkers. 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.
Samuel Neural Checkers— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 4.3 × 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.
Samuel Neural Checkers— 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.
Samuel Neural Checkers— 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.
Samuel Neural Checkers— quanti parametri ha?
Ha un numero di parametri di 0K. "with 16 terms for generalization learning" "Mention has been made several times of the procedure for replacing terms in the scoring polynomial. The program, as it is currently running, contains 38 different terms (in addition to the piece-advantage term), 16 of these being included in the scoring polynomial at anyone time and the remaining 22 being kept in reserve.". 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.
Samuel Neural Checkers— chi l'ha creato?
È stato pubblicato da IBM, basato su United States of America, un'organizzazione categorizzata come industry.
Samuel Neural Checkers— quando è stato rilasciato?
È stato pubblicato in July 1959. 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.
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.