Deeply-recursive ConvNet
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
- Seoul National University
- Organisatietype
- Academia
- Land
- Korea (Republic of)
- Gepubliceerd
- 11 November 2016
- Auteurs
- Jiwon Kim, Jung Kwon Lee, Kyoung Mu Lee
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
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
- tokens
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
- 2,744
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Deeply-Recursive Convolutional Network for Image Super-Resolution
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Achtergrond
Deeply-recursive ConvNet werd gepubliceerd door Seoul National University, in het land geregistreerd als Korea (Republic of), tijdens November 2016. Het komt uit een organisatie gecategoriseerd als academia.
Het werkt in het domein van Vision, Image generation, en wordt geregistreerd als het uitvoeren van de taak van image super-resolution.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Antwoorden
Deeply-recursive ConvNet — veelgestelde vragen
Deeply-recursive ConvNet— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
Deeply-recursive ConvNet— wie heeft het gemaakt?
Het werd gepubliceerd door Seoul National University, gebaseerd op Korea (Republic of), een organisatie geclassificeerd als academia.
Deeply-recursive ConvNet— wanneer is het uitgebracht?
Het werd gepubliceerd in November 2016. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Deeply-recursive ConvNet— 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.
Deeply-recursive ConvNet— 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.
Deeply-recursive ConvNet— 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.