SqueezeNet
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- DeepScale,University of California (UC) Berkeley,Stanford University
- Typ organizace
- Academia,Academia
- Země
- United States of America
- Publikováno
- 24 February 2016
- Autoři
- Forrest N. Iandola, Song Han, Matthew W. Moskewicz, Khalid Ashraf, William J. Dally, Kurt Keutzer
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Image classification
- Číselný formát
- FP32
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 1.2M
- Výcviková data
- 1,280,000 tokens
The paper says "SqueezeNet achieves AlexNet-level accuracy on ImageNet with 50x fewer parameters." AlexNet has 60 million parameters.
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Proč je to sledováno
- Highly cited
- Citace
- 8,366
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Co je tento MODEL
SqueezeNet byl zveřejněn DeepScale,University of California (UC) Berkeley,Stanford University, v zemi zaznamenané jako United States of America, během February 2016. Kategorie, do které vydavatel spadá, je academia,Academia.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol image classification.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Trénink a původ
Trénink spotřeboval korpus kolem 1,280,000 tokeny textu
Důvod, proč se to v tomto katalogu vůbec objevuje: highly cited.
Odpovědi
SqueezeNet — běžné otázky
SqueezeNet— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
SqueezeNet— Je to OPEN SOURCE?
Licencování nikdy nebylo zaznamenáno v našich zdrojových datech. Neuváděné licencování považujeme za uzavřené, protože nezaznamenaná licence není na kterou by se dalo spoléhat.
SqueezeNet— kolik má parametrů?
Má počet parametrů 1.2M. The paper says "SqueezeNet achieves AlexNet-level accuracy on ImageNet with 50x fewer parameters." AlexNet has 60 million parameters. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
SqueezeNet— Kdo to vytvořil?
Bylo to publikováno společností DeepScale,University of California (UC) Berkeley,Stanford University, zakládající se na United States of America, organizace zařazená jako academia,Academia.
SqueezeNet— Kdy byl vydán?
Bylo to zveřejněno v February 2016. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
SqueezeNet— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol image classification. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.