Hierarchical Cognitron
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
- NHK Broadcasting Science Research Laboratories
- Typ organizacji
- Industry
- Kraj
- Japan
- Opublikowany
- 1 April 1984
- Autorzy
- K. Fukushima
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Other
- Zadanie
- Pattern 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
- 9.3K
- Dane treningowe
- 5 tokens
Parameters 5*5*9*3*3 + 3*3*9*3*3*9 + 9*3*3*9 = 9315 "The numbers of excitatory cells in these four layers were: 7x7 in U0, 5x5 in U1, 3x3 in U2, and 9 in U3" "Each feature-extracting cell in layer U1 receives excitatory modifiable afferent connections from 3x3 cells in layer U0" "On the other hand, each feature, each extracting cell in layers U2 and U3 receives excitatory modifiable connections from all 9 cells in each of the 3 x 3 hypercolumns in the layer preceding it. Therefore, it receives …
"Five training patterns used for the self-organization are shown in Fig. 4"
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- Historical significance
- Zapisz pewność
- Speculative
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- A hierarchical neural network model for associative memory
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Skąd to pochodzi
Hierarchical Cognitron został opublikowany przez NHK Broadcasting Science Research Laboratories, w kraju zapisanym jako Japan, podczas April 1984. Kategoria, do której należy wydawca, to industry.
Działa w dziedzinie Other, i jest zapisany jako wykonujący zadanie pattern recognition.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Jak to zostało wytrenowane
Zbiór treningowy trwał około 5 Tokeny tekstu.
Jest śledzone w podstawowym zbiorze danych z jednego szczególnego powodu: historical significance.
Odpowiedzi
Hierarchical Cognitron — częste pytania
Hierarchical Cognitron— do czego to służy?
Działa w dziedzinie Other, i jest zarejestrowany jako realizujący zadanie pattern recognition. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
Hierarchical Cognitron— 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.
Hierarchical Cognitron— 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.
Hierarchical Cognitron— ile ma parametrów?
Ma liczbę parametrów równą 9.3K. Parameters 5*5*9*3*3 + 3*3*9*3*3*9 + 9*3*3*9 = 9315 "The numbers of excitatory cells in these four layers were: 7x7 in U0, 5x5 in U1, 3x3 in U2, and 9 in U3" "Each feature-extracting cell in layer U1 receives excitatory modifiable afferent connections from 3x3 cells in layer U0" "On the other hand, each feature, each extracting cell in layers U2 and U3 receives excitatory modifiable connections from all 9 cells in each of the 3 x 3 hypercolumns in the layer preceding it. Therefore, it receives 3 x 3 x 9 afferent excitatory modifiable connections altogether". 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.
Hierarchical Cognitron— kto to stworzył?
Zostało opublikowane przez NHK Broadcasting Science Research Laboratories, oparty na Japan, organizacja sklasyfikowana jako industry.
Hierarchical Cognitron— kiedy to zostało wydane?
Zostało opublikowane w April 1984. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
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.