Cognitron
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
- Biological Cybernetics
- Organisatietype
- Industry
- Land
- Japan
- Gepubliceerd
- 1 September 1975
- Auteurs
- Kunihiko Fukushima
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Other
- Taak
- Miscellaneous image analysis, Image classification
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
- 21.6K
- Training gegevens
- 5 tokens
- Epochs
- 20
4 layers, 288 neurons per layer, weights connect each neuron to only 25 neurons in the previous layer. Only 3 layers with learnable weights, the first layer is just an input representation (see Fig 5) 3*288*25 parameters
5 examples presented for (at least) 20 cycles = 100 training steps
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
- 5.2 × 10⁶ FLOP
- Hoe het werd opgericht
- Operation counting
No real backward pass as weights are sparsely updated. Assuming 20% additional compute for the weight update. Total compute estimate: 100*2*3*288*25*1.2 = 5184000
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
- Historical significance
- Record vertrouwen
- Confident
- Citaties
- 791
Precursor of the Neocognitron
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Cognitron: a self-organizing multilayered neural network
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
Cognitron werd gepubliceerd door Biological Cybernetics, in het land geregistreerd als Japan, tijdens September 1975. Het komt uit een organisatie gecategoriseerd als industry.
Het werkt in het domein van Other, en wordt geregistreerd als het uitvoeren van de taak van miscellaneous image analysis, Image classification.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Training en herkomst
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 5.2 × 10⁶ 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 5 tekstokens
De inclusiecriteria: historical significance.
Antwoorden
Cognitron — veelgestelde vragen
Cognitron— wie heeft het gemaakt?
Het werd gepubliceerd door Biological Cybernetics, gebaseerd op Japan, een organisatie geclassificeerd als industry.
Cognitron— wanneer is het uitgebracht?
Het werd gepubliceerd in September 1975. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Cognitron— waarvoor wordt het gebruikt?
Het werkt in het domein van Other, en wordt geregistreerd als het afhandelen van miscellaneous image analysis, Image classification. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
Cognitron— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 5.2 × 10⁶ 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.
Cognitron— 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.
Cognitron— 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.
Cognitron— hoeveel parameters heeft het?
Het heeft een parameter telling van 21.6K. 4 layers, 288 neurons per layer, weights connect each neuron to only 25 neurons in the previous layer. Only 3 layers with learnable weights, the first layer is just an input representation (see Fig 5) 3*288*25 parameters. 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.