Feedforward NN
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 Montreal / Université de Montréal
- Typ organizacji
- Academia
- Kraj
- Canada
- Opublikowany
- 13 May 2010
- Autorzy
- X Glorot, Y Bengio
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Digit recognition
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 7.1M
- Dane treningowe
- 90,000 tokens
pg250 of the paper, section 2.3: "We optimized feedforward neural networks with one to five hidden layers, with one thousand hidden units per layer" Input is a flattened 32x32 image, which corresponds to an input vector of length 3072 Output is a number from 0-9, so 10 neurons No. of params: 3072*1000 + 4*1000*1000 + 1000*10 = 7,082,000
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
- 3.5 × 10¹⁴ FLOP
- Jak to zostało ustalone
- Operation counting
Roughly two times the number of parameters for ops per forward pass. So 2*7082000 params*3.5*140 epochs * 50k training images = 3.5e14
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
- Zapisz pewność
- Confident
- Cytaty
- 18,606
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Understanding the difficulty of training deep feedforward neural networks
- Ostatnio zaktualizowane
- 1 January 2026
Co oznaczają liczby
Tło
Feedforward NN został opublikowany przez University of Montreal / Université de Montréal, w kraju zapisanym jako Canada, podczas May 2010. Wychodzi z organizacji zaklasyfikowanej jako academia.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie digit recognition.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Szkolenie i pochodzenie
Trenowanie zajęło budżet obliczeniowy wynoszący około 3.5 × 10¹⁴ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 90,000 Tokeny tekstu.
Powód, dla którego w ogóle pojawia się w tym katalogu: highly cited.
Odpowiedzi
Feedforward NN — częste pytania
Feedforward NN— 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.
Feedforward NN— 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.
Feedforward NN— ile ma parametrów?
Ma liczbę parametrów równą 7.1M. pg250 of the paper, section 2.3: "We optimized feedforward neural networks with one to five hidden layers, with one thousand hidden units per layer" Input is a flattened 32x32 image, which corresponds to an input vector of length 3072 Output is a number from 0-9, so 10 neurons No. of params: 3072*1000 + 4*1000*1000 + 1000*10 = 7,082,000. 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.
Feedforward NN— kto to stworzył?
Zostało opublikowane przez University of Montreal / Université de Montréal, oparty na Canada, organizacja sklasyfikowana jako academia.
Feedforward NN— kiedy to zostało wydane?
Zostało opublikowane w May 2010. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Feedforward NN— do czego to służy?
Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie digit recognition. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
Feedforward NN— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 3.5 × 10¹⁴ FLOP. 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.
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.