Dropout (CIFAR)
Brak szacunków
Brak wymagań sprzętowych dla tego modelu
Wagi tego modelu nie zostały opublikowane, dlatego nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny wyłącznie poprzez jego dostawcę, a żadna karta graficzna tego nie zmieni.
Na nagraniu
Pełna specyfikacja
Wszystko, co jest dostępne na temat tego modelu. Większość z tego opisuje, jak został wytrenowany, a nie jak działa — przydatny kontekst do oceny, ile pracy w to włożono i jak wypada na tle modeli zbudowanych na innym poziomie skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- University of Toronto
- Typ organizacji
- Academia
- Kraj
- Canada
- Opublikowane
- 3 June 2012
- Autorzy
- GE Hinton, N Srivastava, A Krizhevsky
Co to robi
Obszary problemowe, dla których stworzono model. Model może zawierać kilka z każdej.
- Domena
- Vision
- Zadanie
- Character recognition (OCR)
- Numerical format
- FP32
Rozmiar
Jakiej wielkości jest model i na ile danych był szkolony. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Dane treningowe
- 60,000 tokens
Obliczenia szkoleniowe
Aritmetyka wykonywana w celu wytrenowania modelu, mierzone w operacjach zmiennoprzecinkowych. Jest to miara kosztu przeprowadzonego treningu, a nie tego, jak szybko gotowy model odpowiada na twoje zapytania.
- Obliczenia szkoleniowe
- 4.3 × 10¹⁵ FLOP
- Jak to zostało ustalone
- Hardware
"a single NVIDIA GTX 580 GPU. Training on CIFAR-10 takes roughly 90 minutes" p17 1.581 TFLOP/s * 90 min * 60 s/min * 0.5 utilization
Trening
Co fizycznie zajęło szkolenie: które chipy, ile ich, na jak długo i ile to pobrało z sieci.
- Sprzęt szkoleniowy
- NVIDIA GeForce GTX 580
- Wall-clock time
- 2 hours
90 minutes
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim własnym sprzęcie, co decyduje, czy jakiekolwiek z danych dotyczących karty graficznej na tej stronie mają zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
- Kod treningowy
- Open (non-commercial)
http://www.cs.toronto.edu/~nitish/dropout see model files
Jak jest klasyfikowane
Etykiety stosowane przez źródłowy zbiór danych podczas śledzenia znaczących modeli oraz jak pewny jest w danym wpisie.
- Dlaczego jest śledzone
- Highly cited
- Zaufanie do nagrania
- Confident
- Cytacje
- 7,999
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Improving neural networks by preventing co-adaptation of feature detectors
- Ostatnia aktualizacja
- 25 May 2026
Co oznaczają liczby
Skąd to przyszło
Dropout (CIFAR) was published by University of Toronto, in Canada, in June 2012. academia is the category the publisher falls under.
It works in Vision, and is recorded as doing character recognition (OCR).
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żadna karta graficzna tego nie zmieni.
Co poszło w budowę tego
Producing it required around 4.3 × 10¹⁵ FLOP of arithmetic, on NVIDIA GeForce GTX 580, which is a statement about the training budget rather than about inference.
The training set ran to roughly 60,000 tokens.
It is tracked in the underlying dataset for one reason in particular: highly cited.
Odpowiedzi
Dropout (CIFAR) — Często zadawane pytania
What GPU do I need to run Dropout (CIFAR)?
None. Dropout (CIFAR) is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is Dropout (CIFAR) open source?
No. Dropout (CIFAR) has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does Dropout (CIFAR) have?
No parameter count has been published for Dropout (CIFAR), which is why no memory or speed figure appears on this page.
Who created Dropout (CIFAR)?
Dropout (CIFAR) was published by University of Toronto, based in Canada, categorised as academia.
When was Dropout (CIFAR) released?
Dropout (CIFAR) was published in June 2012. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is Dropout (CIFAR) used for?
Dropout (CIFAR) works in Vision, and is recorded as handling character recognition (OCR). Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train Dropout (CIFAR)?
Around 4.3 × 10¹⁵ FLOP, on NVIDIA GeForce GTX 580. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
W innym kierunku
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, wszystko co będzie ona obsługiwać, Rozpocznij od sprzętu..