LRCN
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
- UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley
- Typ organizacji
- Academia,Academia,Academia
- Kraj
- United States of America
- Opublikowany
- 7 November 2014
- Autorzy
- Jeff Donahue, Lisa Anne Hendricks, Marcus Rohrbach, Subhashini Venugopalan, Sergio Guadarrama, Kate Saenko, Trevor Darrell
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Video
- Zadanie
- Video description
- Podejście
- Reinforcement learning
- 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
- 142.6M
- Dane treningowe
- 400,000 tokens
1st model: CaffeNet fc6 feature extractor (4096-length vectors) -> LSTM with 1024 hidden units 2nd model: CaffeNet fc6 feature extractor (4096-length vectors) -> 2 layer LSTM with 1000 hidden units 3rd mode: Like the second, but has encoder and decoder LSTMs (both with 2 layers) AlexNet (close relative to CaffeNet) has 61M params. LSTM RNN number of parameters is given by L*(n*m + n^2 + n) where L:= Number of layers, n:= hidden units, m:= input vector length
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- Highly cited
- Cytaty
- 6,380
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Long-term Recurrent Convolutional Networks for Visual Recognition and Description
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
O tym modelu
LRCN został opublikowany przez UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley, w kraju zapisanym jako United States of America, podczas November 2014. Organizacja publikująca jest klasyfikowana jako academia,Academia,Academia.
Działa w dziedzinie Video, i jest zapisany jako wykonujący zadanie video description.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Jak to zostało wytrenowane
Został wytrenowany na korpusie około 400,000 Tokeny tekstu.
Kryterium włączenia: highly cited.
Odpowiedzi
LRCN — częste pytania
LRCN— ile ma parametrów?
Ma liczbę parametrów równą 142.6M. 1st model: CaffeNet fc6 feature extractor (4096-length vectors) -> LSTM with 1024 hidden units 2nd model: CaffeNet fc6 feature extractor (4096-length vectors) -> 2 layer LSTM with 1000 hidden units 3rd mode: Like the second, but has encoder and decoder LSTMs (both with 2 layers) AlexNet (close relative to CaffeNet) has 61M params. LSTM RNN number of parameters is given by L*(n*m + n^2 + n) where L:= Number of layers, n:= hidden units, m:= input vector length. 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.
LRCN— kto to stworzył?
Zostało opublikowane przez UT Austin,University of Massachusetts Lowell,University of California (UC) Berkeley, oparty na United States of America, organizacja sklasyfikowana jako academia,Academia,Academia.
LRCN— kiedy to zostało wydane?
Zostało opublikowane w November 2014. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
LRCN— do czego to służy?
Działa w dziedzinie Video, i jest zarejestrowany jako realizujący zadanie video description. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
LRCN— 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.
LRCN— 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.
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.