GPU DBNs
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
- Stanford University
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 15 June 2009
- Auteurs
- R Raina, A Madhavan, AY Ng
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Other
- Taak
- Miscellaneous image analysis
- 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.
- parameters
- 100M
- Training gegevens
- 121,344,000,000 tokens
"For example, we are able to reduce the time required to learn a four-layer DBN with 100 million free parameters from several weeks to around a single day."
Table 2 shows the running time for processing 1 million examples for RBMs of varying size
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.
- Training rekenen
- 1 × 10¹⁵ FLOP
- Hoe het werd opgericht
- Hardware
https://www.getguesstimate.com/models/19602 6435 GPU seconds for 1M examples Single GTX 280 with 622.1 GFLOPS All results are reported for 1M examples, unclear if they ran larger training experiments.
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,Historical significance
- Record vertrouwen
- Confident
- Citaties
- 1,032
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Large-scale Deep Unsupervised Learning using Graphics Processors
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
GPU DBNs werd gepubliceerd door Stanford University, in het land geregistreerd als United States of America, tijdens June 2009. De categorie waaronder de uitgever valt is academia.
Het werkt in het domein van Other, en wordt geregistreerd als het uitvoeren van de taak van miscellaneous image analysis.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Hoe het getraind werd
Training kostte een rekensbudget van ongeveer 1 × 10¹⁵ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het is getraind op een corpus van ongeveer 121,344,000,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: highly cited,Historical significance.
Antwoorden
GPU DBNs — veelgestelde vragen
GPU DBNs— waarvoor wordt het gebruikt?
Het werkt in het domein van Other, en wordt geregistreerd als het afhandelen van miscellaneous image analysis. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
GPU DBNs— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1 × 10¹⁵ FLOP. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
GPU DBNs— 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.
GPU DBNs— 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.
GPU DBNs— hoeveel parameters heeft het?
Het heeft een parameter telling van 100M. "For example, we are able to reduce the time required to learn a four-layer DBN with 100 million free parameters from several weeks to around a single day.". 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.
GPU DBNs— wie heeft het gemaakt?
Het werd gepubliceerd door Stanford University, gebaseerd op United States of America, een organisatie geclassificeerd als academia.
GPU DBNs— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2009. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
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.