DCNN
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
- University of Maryland,Rutgers University
- Typ organizace
- Academia,Academia
- Země
- United States of America
- Publikováno
- 7 August 2015
- Autoři
- Jun-Cheng Chen, Vishal M. Patel, Rama Chellappa
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Face verification
- Přístup
- Supervised
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 5M
- Výcviková data
- 490,356 tokens
- Epochy
- 26
Table 1
"The CASIA-WebFace dataset contains 494,414 face images of 10,575 subjects downloaded from the IMDB website. After removing the 27 overlapping subjects with the IJB-A dataset, there are 10548 subjects 1 and 490,356 face images."
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 4.8 × 10¹⁷ FLOP
- Jak bylo ustanoveno
- Operation counting,Hardware
Total compute: 1535436288 forward pass flops *3* 1000000 iterations * 128 batch size = 589607534592000000 FLOP = 5.89607534592e17 FLOP Forward pass FLOPs based on CNN details in Table 1: Conv11: 2*3*3*32*100*100*1=5760000 Conv12: 2*3*3*64*100*100*32=368640000 Conv21: 2*3*3*64*50*50*64=184320000 Conv22: 2*3*3*64*50*50*128=368640000 Conv32: 2*3*3*128*25*25*96=138240000 Conv33: 2*3*3*96*25*25*192=207360000 Conv41: 2*3*3*192*13*13*128=74760192 Conv42: 2*3*3*128*13*13*256=99680256 Conv51: 2*3*3*256*…
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA Tesla K40c
- Používané čipy
- 1
- Doba reálného času
- 216 hours (9 days)
- Příkon
- 286 W
"The DCNN model is trained for about 9 days using NVidia Tesla K40."
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Unreleased
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
- SOTA improvement
- Záznam důvěry
- Confident
https://paperswithcode.com/sota/face-verification-on-ijb-a
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Unconstrained Face Verification using Deep CNN Features
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
O tomto modelu
DCNN byl zveřejněn University of Maryland,Rutgers University, v zemi zaznamenané jako United States of America, během August 2015. Vydavatelská organizace je kategorizována jako academia,Academia.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol face verification.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Co bylo zapotřebí k jeho vybudování
Trénování si vyžádalo výpočetní rozpočet přibližně 4.8 × 10¹⁷ FLOP, na hardwaru zaznamenáno jako NVIDIA Tesla K40c. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Trénink spotřeboval korpus kolem 490,356 tokeny textu
Důvod, proč se to v tomto katalogu vůbec objevuje: sOTA improvement.
Odpovědi
DCNN — běžné otázky
DCNN— Kdy byl vydán?
Bylo to zveřejněno v August 2015. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
DCNN— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol face verification. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
DCNN— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 4.8 × 10¹⁷ FLOP, na hardwaru zaznamenáno jako NVIDIA Tesla K40c. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
DCNN— 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.
DCNN— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
DCNN— kolik má parametrů?
Má počet parametrů 5M. Table 1. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
DCNN— Kdo to vytvořil?
Bylo to publikováno společností University of Maryland,Rutgers University, zakládající se na United States of America, organizace zařazená jako academia,Academia.
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.