MLP with back-propagation
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 California San Diego,Carnegie Mellon University (CMU)
- Organisatietype
- Academia,Academia
- Land
- United States of America
- Gepubliceerd
- 1 October 1986
- Auteurs
- Rumelhart, David E.; Hinton, Geoffrey E.; Williams, Ronald J.
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Mathematics
- Taak
- Triplet completion
- Aanpak
- Unsupervised
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
- 0.7K
- Training gegevens
- 104 tokens
Architecture in Figure 3: 24+12 input -> 6 + 6 hidden -> 12 hidden -> 6 hidden -> 24 output Parameters: 6*24+6*12+12*12+6*12+24*12=720
There are 104 relationship triplets ("[...] of the 104 possible triplets")
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
- 6.7 × 10⁸ FLOP
- Hoe het werd opgericht
- Operation counting
We assume that the number of mult-adds per pass is equal to the number of parameters -> 2*720=1440 FLOP per forward pass. "We trained the network for 1500 sweeps" There are 104 relationship triplets ("[...] of the 104 possible triplets") FLOP: 1500*104*3*1440=673920000
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.
- Grensmodel
- Yes
- Waarom het wordt gevolgd
- Highly cited
- Record vertrouwen
- Confident
- Citaties
- 29,621
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Learning representations by back-propagating errors
- Laatst bijgewerkt
- 1 January 2026
Wat de cijfers betekenen
Achtergrond
MLP with back-propagation werd gepubliceerd door University of California San Diego,Carnegie Mellon University (CMU), in het land geregistreerd als United States of America, tijdens October 1986. De publicerende organisatie is geclassificeerd als academia,Academia.
Het werkt in het domein van Mathematics, en wordt geregistreerd als het uitvoeren van de taak van triplet completion.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Training en herkomst
Training kostte een rekensbudget van ongeveer 6.7 × 10⁸ 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 104 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: highly cited.
Antwoorden
MLP with back-propagation — veelgestelde vragen
MLP with back-propagation— 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.
MLP with back-propagation— hoeveel parameters heeft het?
Het heeft een parameter telling van 0.7K. Architecture in Figure 3: 24+12 input -> 6 + 6 hidden -> 12 hidden -> 6 hidden -> 24 output Parameters: 6*24+6*12+12*12+6*12+24*12=720. 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.
MLP with back-propagation— wie heeft het gemaakt?
Het werd gepubliceerd door University of California San Diego,Carnegie Mellon University (CMU), gebaseerd op United States of America, een organisatie geclassificeerd als academia,Academia.
MLP with back-propagation— wanneer is het uitgebracht?
Het werd gepubliceerd in October 1986. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
MLP with back-propagation— waarvoor wordt het gebruikt?
Het werkt in het domein van Mathematics, en wordt geregistreerd als het afhandelen van triplet completion. 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.
MLP with back-propagation— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 6.7 × 10⁸ 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.
MLP with back-propagation— 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.
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.