Diffractive Deep Neural Network
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- University of California Los Angeles (UCLA)
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 14 April 2018
- Auteurs
- Xing Lin, Yair Rivenson, Nezih T Yardimci, Muhammed Veli, Yi Luo, Mona Jarrahi, and Aydogan Ozcan
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Digit recognition
- Aanpak
- Supervised
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 8B
- Training gegevens
- 55,000 tokens
"For example, using five 3D-printed transmission layers, containing a total of 0.2 million neurons and ~8.0 billion connections that are trained using deep learning, we experimentally demonstrated the function of a handwritten digit classifier." My understanding is that every connection correspond to the parameter to learn.
size of MNIST "For this task, phase-only transmission masks were designed by training a 5-layer D2NN with ~55,000 images from MNIST handwritten digit database (14). "
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Record vertrouwen
- Likely
- Citaties
- 2,190
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- All-Optical Machine Learning Using Diffractive Deep Neural Networks
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
Diffractive Deep Neural Network werd gepubliceerd door University of California Los Angeles (UCLA), in het land geregistreerd als United States of America, tijdens April 2018. Het komt uit een organisatie gecategoriseerd als academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van digit recognition.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Training en herkomst
Het is getraind op een corpus van ongeveer 55,000 tekstokens
Antwoorden
Diffractive Deep Neural Network — veelgestelde vragen
Diffractive Deep Neural Network— hoeveel parameters heeft het?
Het heeft een parameter telling van 8B. "For example, using five 3D-printed transmission layers, containing a total of 0.2 million neurons and ~8.0 billion connections that are trained using deep learning, we experimentally demonstrated the function of a handwritten digit classifier." My understanding is that every connection correspond to the parameter to learn. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
Diffractive Deep Neural Network— wie heeft het gemaakt?
Het werd gepubliceerd door University of California Los Angeles (UCLA), gebaseerd op United States of America, een organisatie geclassificeerd als academia.
Diffractive Deep Neural Network— wanneer is het uitgebracht?
Het werd gepubliceerd in April 2018. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Diffractive Deep Neural Network— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van digit recognition. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
Diffractive Deep Neural Network— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
Diffractive Deep Neural Network— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.