Variational Lossy Autoencoder (VLAE) MNIST
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
- University of California (UC) Berkeley,OpenAI
- Typ organizacji
- Academia,Industry
- Kraj
- United States of America
- Opublikowany
- 4 March 2017
- Autorzy
- Xi Chen, Diederik P. Kingma, Tim Salimans, Yan Duan, Prafulla Dhariwal, John Schulman, Ilya Sutskever, Pieter Abbeel
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Image representation
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
- tokens
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
- Kod treningowy
- Unreleased
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Unknown
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Variational Lossy Autoencoder
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
O tym modelu
Variational Lossy Autoencoder (VLAE) MNIST został opublikowany przez University of California (UC) Berkeley,OpenAI, w kraju zapisanym jako United States of America, podczas March 2017. Wychodzi z organizacji zaklasyfikowanej jako academia,Industry.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie image representation.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Odpowiedzi
Variational Lossy Autoencoder (VLAE) MNIST — częste pytania
Variational Lossy Autoencoder (VLAE) MNIST— do czego to służy?
Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie image representation. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
Variational Lossy Autoencoder (VLAE) MNIST— 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.
Variational Lossy Autoencoder (VLAE) MNIST— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Variational Lossy Autoencoder (VLAE) MNIST— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
Variational Lossy Autoencoder (VLAE) MNIST— kto to stworzył?
Zostało opublikowane przez University of California (UC) Berkeley,OpenAI, oparty na United States of America, organizacja sklasyfikowana jako academia,Industry.
Variational Lossy Autoencoder (VLAE) MNIST— kiedy to zostało wydane?
Zostało opublikowane w March 2017. 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.