Residual Dense 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
- Northeastern University,University of Rochester
- Organisatietype
- Academia,Academia
- Land
- United States of America
- Gepubliceerd
- 24 February 2018
- Auteurs
- Yulun Zhang, Yapeng Tian, Yu Kong, Bineng Zhong, Yun Fu
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision, Image generation
- Taak
- Image super-resolution
- Numerieke indeling
- FP32
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.
- Training gegevens
- 262,144,000 tokens
- Epochs
- 200
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
- Unknown
- Citaties
- 3,857
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Residual Dense Network for Image Super-Resolution
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Achtergrond
Residual Dense Network werd gepubliceerd door Northeastern University,University of Rochester, in het land geregistreerd als United States of America, tijdens February 2018. De categorie waaronder de uitgever valt is academia,Academia.
Het werkt in het domein van Vision, Image generation, en wordt geregistreerd als het uitvoeren van de taak van image super-resolution.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Wat erin ging zitten om het te bouwen
De trainingsset liep naar ongeveer 262,144,000 tekstokens
Antwoorden
Residual Dense Network — veelgestelde vragen
Residual Dense Network— wie heeft het gemaakt?
Het werd gepubliceerd door Northeastern University,University of Rochester, gebaseerd op United States of America, een organisatie geclassificeerd als academia,Academia.
Residual Dense Network— wanneer is het uitgebracht?
Het werd gepubliceerd in February 2018. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Residual Dense Network— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, Image generation, en wordt geregistreerd als het afhandelen van image super-resolution. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
Residual Dense 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.
Residual Dense 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.
Residual Dense Network— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
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.