Layer Normalization: Handwriting sequence generation
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 Toronto
- Organisatietype
- Academia
- Land
- Canada
- Gepubliceerd
- 21 July 2016
- Auteurs
- Jimmy Lei Ba, Jamie Ryan Kiros, Geoffrey E. Hinton
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Image generation
- Taak
- Image generation
- Basis model
- RNN+weight noise+dynamic eval
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
- 3.7M
- Training gegevens
- 8,525,300 tokens
The total number of weights was increased to approximately 3.7M.
12179*700=8525300 There are, in total, 12179 handwriting line sequences. The input string is typically more than 25 characters and the average handwriting line has a length around 700.
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Hoe het werd opgericht
- Operation counting
- Fijn-tuning compute
- 1.9 × 10¹⁴ FLOP
=8525300*3700000*6=1.8926166e+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
- Speculative
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Layer Normalization
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
Layer Normalization: Handwriting sequence generation werd gepubliceerd door University of Toronto, in het land geregistreerd als Canada, tijdens July 2016. De categorie waaronder de uitgever valt is academia.
Het werkt in het domein van Image generation, en wordt geregistreerd als het uitvoeren van de taak van image generation.
Het bouwt voort op RNN+weight noise+dynamic eval. De meeste modellen op deze schaal zijn aangepast van een bestaande basis in plaats van vanuit het niets gebouwd.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Hoe het getraind werd
Het is getraind op een corpus van ongeveer 8,525,300 tekstokens
Antwoorden
Layer Normalization: Handwriting sequence generation — veelgestelde vragen
Layer Normalization: Handwriting sequence generation— 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.
Layer Normalization: Handwriting sequence generation— 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.
Layer Normalization: Handwriting sequence generation— hoeveel parameters heeft het?
Het heeft een parameter telling van 3.7M. The total number of weights was increased to approximately 3.7M. 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.
Layer Normalization: Handwriting sequence generation— wie heeft het gemaakt?
Het werd gepubliceerd door University of Toronto, gebaseerd op Canada, een organisatie geclassificeerd als academia.
Layer Normalization: Handwriting sequence generation— wanneer is het uitgebracht?
Het werd gepubliceerd in July 2016. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Layer Normalization: Handwriting sequence generation— waarvoor wordt het gebruikt?
Het werkt in het domein van Image generation, en wordt geregistreerd als het afhandelen van image generation. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
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.