OR-WideResNet

Zamknięte wagi Duke University,University of Chinese Academy of Sciences 18.2M parametry January 2017

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..

Przeglądaj modele, które możesz uruchomić zamiast

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: Duke University,University of Chinese Academy of Sciences
Typ organizacji: Academia,Academia
Kraj: United States of America, China
Opublikowany: 7 January 2017
Autorzy: Yanzhao Zhou, Qixiang Ye, Qiang Qiu and Jianbin Jiao

Co to robi

Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.

Domena: Vision
Zadanie: Image classification

Rozmiar

Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.

parametry: 18.2M
Dane treningowe: 50,000 tokens

Przebieg szkolenia

Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.

Sprzęt do trenowania: NVIDIA Tesla K80

Jak jest klasyfikowane

Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.

Dlaczego to jest śledzone: SOTA improvement
Zapisz pewność: Confident
Cytaty: 285

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja: Oriented Response Networks
Ostatnio zaktualizowane: 28 November 2025

Co oznaczają liczby

Skąd to pochodzi

OR-WideResNet został opublikowany przez Duke University,University of Chinese Academy of Sciences, w kraju zapisanym jako United States of America, podczas January 2017. Wychodzi z organizacji zaklasyfikowanej jako academia,Academia.

Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie image classification.

Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.

Szkolenie i pochodzenie

Zbiór treningowy trwał około 50,000 Tokeny tekstu.

Powód, dla którego w ogóle pojawia się w tym katalogu: sOTA improvement.

Odpowiedzi

OR-WideResNet — częste pytania

OR-WideResNet— ile ma parametrów?

Ma liczbę parametrów równą 18.2M. 18.2M for largest OR-WideResNet model. 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.

OR-WideResNet— kto to stworzył?

Zostało opublikowane przez Duke University,University of Chinese Academy of Sciences, oparty na United States of America, organizacja sklasyfikowana jako academia,Academia.

OR-WideResNet— kiedy to zostało wydane?

Zostało opublikowane w January 2017. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.

OR-WideResNet— do czego to służy?

Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie image classification. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.

OR-WideResNet— 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.

OR-WideResNet— 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.

Źródło

Oryginalna publikacja

Ostatnia aktualizacja rekordu 28 November 2025

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.

Wszystkie modele AI