RBM Image Classifier
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
- 8 April 2009
- Auteurs
- Alex Krizhevsky
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Image classification
- 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
- 80M
- Training gegevens
- 6,144,050,000 tokens
Best performing model (see Figure 3.1) had 10,000 hidden units in one hidden layer and 8000 visible units
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
- Likely
- Citaties
- 39,635
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Learning Multiple Layers of Features from Tiny Images
- Laatst bijgewerkt
- 1 January 2026
Wat de cijfers betekenen
Waar het vandaan kwam
RBM Image Classifier werd gepubliceerd door University of Toronto, in het land geregistreerd als Canada, tijdens April 2009. De categorie waaronder de uitgever valt is academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van image classification.
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 6,144,050,000 tekstokens
De inclusiecriteria: highly cited.
Antwoorden
RBM Image Classifier — veelgestelde vragen
RBM Image Classifier— 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.
RBM Image Classifier— 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.
RBM Image Classifier— hoeveel parameters heeft het?
Het heeft een parameter telling van 80M. Best performing model (see Figure 3.1) had 10,000 hidden units in one hidden layer and 8000 visible units. 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.
RBM Image Classifier— wie heeft het gemaakt?
Het werd gepubliceerd door University of Toronto, gebaseerd op Canada, een organisatie geclassificeerd als academia.
RBM Image Classifier— wanneer is het uitgebracht?
Het werd gepubliceerd in April 2009. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
RBM Image Classifier— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van image classification. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
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.