RCAN
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Northeastern University
- Typ organizacji
- Academia
- Kraj
- United States of America
- Opublikowany
- 8 July 2018
- Autorzy
- Yulun Zhang, Kunpeng Li, Kai Li, Lichen Wang, Bineng Zhong, Yun Fu
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Image generation, Vision
- Zadanie
- Image super-resolution
- Format numeryczny
- FP32
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 16M
- Dane treningowe
- tokens
"EDSR has much larger number of parameters (43 M) than ours (16 M), but our RCAN obtains much better performance."
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Unknown
- Cytaty
- 4,954
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Image Super-Resolution Using Very Deep Residual Channel Attention Networks
- Ostatnio zaktualizowane
- 1 January 2026
Co oznaczają liczby
Tło
RCAN został opublikowany przez Northeastern University, w kraju zapisanym jako United States of America, podczas July 2018. Organizacja publikująca jest klasyfikowana jako academia.
Działa w dziedzinie Image generation, Vision, i jest zapisany jako wykonujący zadanie image super-resolution.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Odpowiedzi
RCAN — częste pytania
RCAN— do czego to służy?
Działa w dziedzinie Image generation, Vision, i jest zarejestrowany jako realizujący zadanie image super-resolution. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
RCAN— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
RCAN— czy jest open weight?
Licencja nigdy nie została zarejestrowana w naszych danych źródłowych. Traktujemy niewskazaną licencję jako zamkniętą, ponieważ niezarejestrowana licencja nie jest na którą można polegać.
RCAN— ile ma parametrów?
Ma liczbę parametrów równą 16M. "EDSR has much larger number of parameters (43 M) than ours (16 M), but our RCAN obtains much better performance.". Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
RCAN— kto to stworzył?
Zostało opublikowane przez Northeastern University, oparty na United States of America, organizacja sklasyfikowana jako academia.
RCAN— kiedy to zostało wydane?
Zostało opublikowane w July 2018. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.