Long-Range Autonomous Off-Road Driving System
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
- Courant Institute of Mathematical Sciences
- Typ organizacji
- Academia
- Kraj
- United States of America
- Opublikowany
- 8 January 2009
- Autorzy
- Raia Hadsell, Pierre Sermanet, Jan Ben, Ayse Erkan, Marco Scoffier, Koray Kavukcuoglu, Urs Muller, Yann LeCun
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision, Robotics, Driving
- Zadanie
- Self-driving car
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 12.4K
- Dane treningowe
- 450,000 tokens
- Epoki
- 30
C1: 20x7x6 C3: 369x6x5 F4: 100x5 "This particular network has two convolutional layers and one subsampling layer. The first convolutional layer has 20 7 × 6 filters, and the second layer has 369 6 × 5 filters. The layers are not fully connected; in particular, the Y, U, and V filters are kept separate throughout the two layers. For the purposes of training, a final 100-component, fully connected layer is trained with five outputs"
"The training set contained 450,000 labeled image patches"
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
- 2.8 × 10¹⁴ FLOP
- Jak to zostało ustalone
- Operation counting
Every filter is only connected to ⅓ of the input channels: “The layers are not fully connected; in particular, the Y, U, and V filters are kept separate throughout the two layers.” The text of the paper and Figure 7 don’t match, the text mentions an additional D=369 convolutional layer that is not represented in the Figure Input: 12*25 1st CNN: 2*12*25*(3/3)*7*6*20=240000 Size after layer: 6*20*20 Size after pooling layer (1x4): 6*5*20 2nd CNN: 2*6*5*(20/3)*6*5*369=4428000 FC: 2*6*5*369*100=2214…
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Learning long‐range vision for autonomous off‐road driving
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Skąd to pochodzi
Long-Range Autonomous Off-Road Driving System został opublikowany przez Courant Institute of Mathematical Sciences, w kraju zapisanym jako United States of America, podczas January 2009. Wychodzi z organizacji zaklasyfikowanej jako academia.
Działa w dziedzinie Vision, Robotics, Driving, i jest zapisany jako wykonujący zadanie self-driving car.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Co poszło w budowę tego
Trenowanie zajęło budżet obliczeniowy wynoszący około 2.8 × 10¹⁴ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Trening zużył korpus około 450,000 Tokeny tekstu.
Odpowiedzi
Long-Range Autonomous Off-Road Driving System — częste pytania
Long-Range Autonomous Off-Road Driving System— kto to stworzył?
Zostało opublikowane przez Courant Institute of Mathematical Sciences, oparty na United States of America, organizacja sklasyfikowana jako academia.
Long-Range Autonomous Off-Road Driving System— kiedy to zostało wydane?
Zostało opublikowane w January 2009. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Long-Range Autonomous Off-Road Driving System— do czego to służy?
Działa w dziedzinie Vision, Robotics, Driving, i jest zarejestrowany jako realizujący zadanie self-driving car. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
Long-Range Autonomous Off-Road Driving System— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.8 × 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.
Long-Range Autonomous Off-Road Driving System— 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.
Long-Range Autonomous Off-Road Driving System— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Long-Range Autonomous Off-Road Driving System— ile ma parametrów?
Ma liczbę parametrów równą 12.4K. C1: 20x7x6 C3: 369x6x5 F4: 100x5 "This particular network has two convolutional layers and one subsampling layer. The first convolutional layer has 20 7 × 6 filters, and the second layer has 369 6 × 5 filters. The layers are not fully connected; in particular, the Y, U, and V filters are kept separate throughout the two layers. For the purposes of training, a final 100-component, fully connected layer is trained with five outputs". 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.
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.