Learnable parameters number in different neural network models.

Figshare2023-08-21 更新2026-04-28 收录

数据链接：

https://figshare.com/articles/dataset/Learnable_parameters_number_in_different_neural_network_models_/24000608 数据链接链接失效反馈

官方服务：

资源简介：

Learnable parameters number in different neural network models.

创建时间：

2023-08-21

ResNeXt-50 32 X 4d

神经网络架构

迁移学习

Pretrained ResNeXt-50 32x4d architecture | To be used for transfer learning

kaggle2021-02-18 更新130

Supplementary Material for: Predicting Complexity in Transurethral Resection of Bladder Tumours: External Validation and Modification of the Bladder Complexity Score

预测模型

结构复杂性评估

Introduction: First external validation of the Bladder Complexity Score (BCS) for predicting complex transurethral resection of bladder tumours (TURBT). Methods: For BCS ca

DataCite Commons2025-05-01 更新90

四维并行训练系统运行日志

神经网络架构

并行训练系统

本数据集记录了创新的“超网-子网”（Supernet-Subnet）四维并行训练系统的运行状态。该系统在传统三维并行（数据、张量、流水线）的基础上，引入了“子网搜索”作为第四个并行维度，旨在解决神经网络架构搜索（NAS）在大模型场景下的效率问题。日志数据生成于 2025 年 1 月，记录了在动态搜索空间中并行训练和评估数亿级子网的过程。数据详细展示了各搜索阶段（Stage）处理子网批次的时间开销及

国家基础学科公共科学数据中心60

carlosqsw/ONNX-Bench

神经网络架构

性能评估

ONNX-Bench是一个包含649,596个神经网络架构的大型基准数据集，这些架构采用统一的ONNX格式，并伴有性能标签。数据集跨越多个NAS搜索空间，支持在CIFAR-10上进行一致性评估，并具有丰富的架构多样性，包括基于单元和分层的架构。数据集经过预简化处理，适合用于性能预测、零样本迁移和通用代理模型训练。

Hugging Face2025-10-12 更新110

The number of parameters in each layer of the DCCNN.

神经网络参数量分析

结构复杂性评估

The number of parameters in each layer of the DCCNN.

Figshare2020-06-01 更新70