Long-Range Autonomous Off-Road Driving System
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
- Courant Institute of Mathematical Sciences
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 8 January 2009
- Auteurs
- Raia Hadsell, Pierre Sermanet, Jan Ben, Ayse Erkan, Marco Scoffier, Koray Kavukcuoglu, Urs Muller, Yann LeCun
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision, Robotics, Driving
- Taak
- Self-driving car
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
- 12.4K
- Training gegevens
- 450,000 tokens
- Epochs
- 30
C1: 20x7x6 C3: 369x6x5 F4: 100x5 "This particular network has two convolutional layers and one subsampling layer. The first convolutional layer has 20 7 × 6 filters, and the second layer has 369 6 × 5 filters. The layers are not fully connected; in particular, the Y, U, and V filters are kept separate throughout the two layers. For the purposes of training, a final 100-component, fully connected layer is trained with five outputs"
"The training set contained 450,000 labeled image patches"
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
- 2.8 × 10¹⁴ FLOP
- Hoe het werd opgericht
- Operation counting
Every filter is only connected to ⅓ of the input channels: “The layers are not fully connected; in particular, the Y, U, and V filters are kept separate throughout the two layers.” The text of the paper and Figure 7 don’t match, the text mentions an additional D=369 convolutional layer that is not represented in the Figure Input: 12*25 1st CNN: 2*12*25*(3/3)*7*6*20=240000 Size after layer: 6*20*20 Size after pooling layer (1x4): 6*5*20 2nd CNN: 2*6*5*(20/3)*6*5*369=4428000 FC: 2*6*5*369*100=2214…
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Toegang tot model
- Unreleased
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
- Confident
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Learning long‐range vision for autonomous off‐road driving
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Waar het vandaan kwam
Long-Range Autonomous Off-Road Driving System werd gepubliceerd door Courant Institute of Mathematical Sciences, in het land geregistreerd als United States of America, tijdens January 2009. Het komt uit een organisatie gecategoriseerd als academia.
Het werkt in het domein van Vision, Robotics, Driving, en wordt geregistreerd als het uitvoeren van de taak van self-driving car.
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
Training kostte een rekensbudget van ongeveer 2.8 × 10¹⁴ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Training verbruikte een corpus van ongeveer 450,000 tekstokens
Antwoorden
Long-Range Autonomous Off-Road Driving System — veelgestelde vragen
Long-Range Autonomous Off-Road Driving System— wie heeft het gemaakt?
Het werd gepubliceerd door Courant Institute of Mathematical Sciences, gebaseerd op United States of America, een organisatie geclassificeerd als academia.
Long-Range Autonomous Off-Road Driving System— wanneer is het uitgebracht?
Het werd gepubliceerd in January 2009. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Long-Range Autonomous Off-Road Driving System— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, Robotics, Driving, en wordt geregistreerd als het afhandelen van self-driving car. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
Long-Range Autonomous Off-Road Driving System— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.8 × 10¹⁴ 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.
Long-Range Autonomous Off-Road Driving System— 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.
Long-Range Autonomous Off-Road Driving System— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Long-Range Autonomous Off-Road Driving System— hoeveel parameters heeft het?
Het heeft een parameter telling van 12.4K. C1: 20x7x6 C3: 369x6x5 F4: 100x5 "This particular network has two convolutional layers and one subsampling layer. The first convolutional layer has 20 7 × 6 filters, and the second layer has 369 6 × 5 filters. The layers are not fully connected; in particular, the Y, U, and V filters are kept separate throughout the two layers. For the purposes of training, a final 100-component, fully connected layer is trained with five outputs". 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.
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.