Residual Dense Network
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,University of Rochester
- Typ organizacji
- Academia,Academia
- Kraj
- United States of America
- Opublikowany
- 24 February 2018
- Autorzy
- Yulun Zhang, Yapeng Tian, Yu Kong, Bineng Zhong, Yun Fu
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision, Image generation
- 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.
- Dane treningowe
- 262,144,000 tokens
- Epoki
- 200
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Unknown
- Cytaty
- 3,857
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Residual Dense Network for Image Super-Resolution
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Tło
Residual Dense Network został opublikowany przez Northeastern University,University of Rochester, w kraju zapisanym jako United States of America, podczas February 2018. Kategoria, do której należy wydawca, to academia,Academia.
Działa w dziedzinie Vision, Image generation, 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.
Co poszło w budowę tego
Zbiór treningowy trwał około 262,144,000 Tokeny tekstu.
Odpowiedzi
Residual Dense Network — częste pytania
Residual Dense Network— kto to stworzył?
Zostało opublikowane przez Northeastern University,University of Rochester, oparty na United States of America, organizacja sklasyfikowana jako academia,Academia.
Residual Dense Network— kiedy to zostało wydane?
Zostało opublikowane w February 2018. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Residual Dense Network— do czego to służy?
Działa w dziedzinie Vision, Image generation, 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.
Residual Dense Network— 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.
Residual Dense Network— 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.
Residual Dense Network— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
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.