Bayesian automated hyperparameter tuning
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,University of Sherbrooke,Harvard University
- Organisatietype
- Academia,Academia,Academia
- Land
- Canada, United States of America
- Gepubliceerd
- 2 December 2012
- Auteurs
- J Snoek, H Larochelle, RP Adams
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Other
- Taak
- Mathematical simulation
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
- 50,000 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.
- Waarom het wordt gevolgd
- Highly cited
- Record vertrouwen
- Unknown
- Citaties
- 9,316
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Practical Bayesian optimization of machine learning algorithms
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
Bayesian automated hyperparameter tuning werd gepubliceerd door University of Toronto,University of Sherbrooke,Harvard University, in het land geregistreerd als Canada, tijdens December 2012. De categorie waaronder de uitgever valt is academia,Academia,Academia.
Het werkt in het domein van Other, en wordt geregistreerd als het uitvoeren van de taak van mathematical simulation.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Hoe het getraind werd
De trainingsset liep naar ongeveer 50,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: highly cited.
Antwoorden
Bayesian automated hyperparameter tuning — veelgestelde vragen
Bayesian automated hyperparameter tuning— wanneer is het uitgebracht?
Het werd gepubliceerd in December 2012. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Bayesian automated hyperparameter tuning— waarvoor wordt het gebruikt?
Het werkt in het domein van Other, en wordt geregistreerd als het afhandelen van mathematical simulation. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
Bayesian automated hyperparameter tuning— 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.
Bayesian automated hyperparameter tuning— 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.
Bayesian automated hyperparameter tuning— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
Bayesian automated hyperparameter tuning— wie heeft het gemaakt?
Het werd gepubliceerd door University of Toronto,University of Sherbrooke,Harvard University, gebaseerd op Canada, een organisatie geclassificeerd als academia,Academia,Academia.
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.