Symmetric Residual Encoder-Decoder Net
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
- Nanjing University,University of Adelaide
- Typ organizacji
- Academia,Academia
- Kraj
- China, Australia
- Opublikowany
- 30 March 2016
- Autorzy
- Xiao-Jiao Mao, Chunhua Shen, Yu-Bin Yang
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
- 1,250,000,000 tokens
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Unknown
- Cytaty
- 1,184
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Skąd to pochodzi
Symmetric Residual Encoder-Decoder Net został opublikowany przez Nanjing University,University of Adelaide, w kraju zapisanym jako China, podczas March 2016. Kategoria, do której należy wydawca, to academia,Academia.
Działa w dziedzinie Vision, Image generation, i jest zapisany jako wykonujący zadanie image super-resolution.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Co poszło w budowę tego
Został wytrenowany na korpusie około 1,250,000,000 Tokeny tekstu.
Odpowiedzi
Symmetric Residual Encoder-Decoder Net — częste pytania
Symmetric Residual Encoder-Decoder Net— kiedy to zostało wydane?
Zostało opublikowane w March 2016. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Symmetric Residual Encoder-Decoder Net— do czego to służy?
Działa w dziedzinie Vision, Image generation, i jest zarejestrowany jako realizujący zadanie image super-resolution. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
Symmetric Residual Encoder-Decoder Net— 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.
Symmetric Residual Encoder-Decoder Net— 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.
Symmetric Residual Encoder-Decoder Net— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
Symmetric Residual Encoder-Decoder Net— kto to stworzył?
Zostało opublikowane przez Nanjing University,University of Adelaide, oparty na China, organizacja sklasyfikowana jako academia,Academia.
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.