LISSOM
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 Texas at Austin
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 27 November 1995
- Auteurs
- Yoonsuck Choe, Joseph Sirosh, R. Miikkulainen
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Digit recognition
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
- 432.8K
- Training gegevens
- 2,000 tokens
- Epochs
- 38
Total connections 32*32*20*20+20*20*48+20*20*10=432800 Input: 32*32, Lissom: 20*20, Output: 10 (Figure 1a), up to 48 lateral connections per Lissom neuron (Figure 1b)
"LISSOM was trained with 2000 patterns"
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 × 10¹¹ FLOP
- Hoe het werd opgericht
- Operation counting
Lissom connections: 32*32*20*20+20*20*48=428800 Lissom compute: 2*428800*3*38*2000=195532800000=1.96e11 Perceptron connections: 20*20*10=4000 Perceptron compute: 2*4000*3*500*1700=20400000000=2e10 Total compute: 195532800000+12000000=195544800000=1.96e11 "LISSOM was trained with 2000 patterns" "The initial self-organizing map was formed in 8 epochs over the training set, gradually reducing the neighborhood radius from 20 to 8. The lateral connections were then added to the system, and over anoth…
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
- SOTA improvement,Historical significance
- Record vertrouwen
- Likely
"The recognition rate on a subset of NIST database 3 is 4.0% higher with LISSOM than with a regular Self-Organizing Map (SOM) as the front end, and 15.8% higher than recognition of raw input bitmaps directly. "
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Laterally Interconnected Self-Organizing Maps in Hand-Written Digit Recognition
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
LISSOM werd gepubliceerd door University of Texas at Austin, in het land geregistreerd als United States of America, tijdens November 1995. De publicerende organisatie is geclassificeerd als academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van digit recognition.
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.
Training en herkomst
De training run verbruikte ongeveer 2 × 10¹¹ 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 2,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: sOTA improvement,Historical significance.
Antwoorden
LISSOM — veelgestelde vragen
LISSOM— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2 × 10¹¹ 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.
LISSOM— 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.
LISSOM— 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.
LISSOM— hoeveel parameters heeft het?
Het heeft een parameter telling van 432.8K. Total connections 32*32*20*20+20*20*48+20*20*10=432800 Input: 32*32, Lissom: 20*20, Output: 10 (Figure 1a), up to 48 lateral connections per Lissom neuron (Figure 1b). 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.
LISSOM— wie heeft het gemaakt?
Het werd gepubliceerd door University of Texas at Austin, gebaseerd op United States of America, een organisatie geclassificeerd als academia.
LISSOM— wanneer is het uitgebracht?
Het werd gepubliceerd in November 1995. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
LISSOM— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van digit recognition. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
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.