Deep Autoencoders
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 Toronto
- Typ organizacji
- Academia
- Kraj
- Canada
- Opublikowany
- 29 April 2011
- Autorzy
- A. Krizhevsky, Geoffrey E. Hinton
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.
- parametry
- 139.8M
- Dane treningowe
- 4,915,200,000 tokens
- Epoki
- 85
2*(3072*8192+8192*4096+4096*2048+2048*1024+1024*512+512*256+256*128+128*64+64*28)=139808256 "n each autoencoder, the hidden layers halve in size until they reach the desired size, except that we use 28 instead of 32"
"We train on 1.6 million 32 × 32 color images"
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 3.7 × 10¹⁶ FLOP
- Jak to zostało ustalone
- Hardware
48*60*60*708500000000*0.3=36728640000000000=3.7e16 GTX 285 with 708.5 GFLOP/s
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA GeForce GTX 285
- Zastosowane chipy
- 1
- Czas rzeczywisty
- 48 hours
- Pobór mocy
- 246 W
"The entire training procedure for each autoencoder took about 2 days on an Nvidia GTX 285 GPU."
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Model Frontier
- Yes
- Dlaczego to jest śledzone
- Historical significance
- Zapisz pewność
- Confident
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Using very deep autoencoders for content-based image retrieval
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Skąd to pochodzi
Deep Autoencoders został opublikowany przez University of Toronto, w kraju zapisanym jako Canada, podczas April 2011. Kategoria, do której należy wydawca, to academia.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie image representation.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Co poszło w budowę tego
Trening zajmował około 3.7 × 10¹⁶ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce GTX 285. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 4,915,200,000 Tokeny tekstu.
Powód, dla którego w ogóle pojawia się w tym katalogu: historical significance.
Odpowiedzi
Deep Autoencoders — częste pytania
Deep Autoencoders— ile ma parametrów?
Ma liczbę parametrów równą 139.8M. 2*(3072*8192+8192*4096+4096*2048+2048*1024+1024*512+512*256+256*128+128*64+64*28)=139808256 "n each autoencoder, the hidden layers halve in size until they reach the desired size, except that we use 28 instead of 32". 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.
Deep Autoencoders— kto to stworzył?
Zostało opublikowane przez University of Toronto, oparty na Canada, organizacja sklasyfikowana jako academia.
Deep Autoencoders— kiedy to zostało wydane?
Zostało opublikowane w April 2011. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Deep Autoencoders— 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.
Deep Autoencoders— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 3.7 × 10¹⁶ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce GTX 285. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
Deep Autoencoders— 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.
Deep Autoencoders— 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.