DCNN
Žádný odhad
Žádné hardwareové požadavky na tento model
Hmotnosti tohoto modelu nebyly publikovány, takže jej nelze stáhnout ani spustit na vlastním hardwaru v jakékoli velikosti. Je dostupný pouze prostřednictvím svého poskytovatele a žádná grafická karta to nezmění..
Záznam.
Plná specifikace
Všechno zaznamenané k tomuto modelu. Většina z toho popisuje, jak byl trénován, nikoli jak běží — užitečný kontext pro posouzení, kolik práce do něj bylo vloženo, a jak se srovnává s modely postavenými na jinou škálu.
Původ
Kdo vybudoval 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 vyvinut. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Face verification
- Přístup
- Supervised
Velikost
Jak velký je model a na kolik dat byl vytrénován. Parametry jsou číslo, které rozhoduje o tom, zda se vejde na danou grafickou kartu.
- Parametry
- 5M
- Tréninková 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."
Výpočet trénování
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál trénink, nikoli jak rychle hotový model na vás odpovídá.
- Výpočet trénování
- 4.8 × 10¹⁷ FLOP
- Jak bylo založeno
- 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 bralo ze zásuvky.
- Tréninkové hardwarové zařízení
- NVIDIA Tesla K40c
- Použité čipy
- 1
- Wall-clock time
- 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 na tuto stránku vztahují jakákoliv čísla grafických karet.
- Váhy
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Unreleased
Jak je klasifikováno
Labely, které se na zdrojovém datovém souboru používají při sledování významných modelů, a jak moc si je jistý touto položkou.
- Proč je to sledováno
- SOTA improvement
- Záznam důvěry
- Confident
https://paperswithcode.com/sota/face-verification-on-ijb-a
Zdroje
Odkud tento záznam pochází a kdy byl naposled zkontrolován.
- Odkaz
- Unconstrained Face Verification using Deep CNN Features
- Naposledy aktualizováno
- 28 November 2025
Co čísla znamenají
O tomto modelu
DCNN was published by University of Maryland,Rutgers University, in United States of America, in August 2015. The organisation is categorised as academia,Academia.
It works in Vision, and is recorded as doing face verification.
Jeho váhy nikdy nebyly zveřejněny, takže je možné ho dosáhnout pouze prostřednictvím jeho poskytovatele. Žádná grafická karta to nezmění.
Co bylo zapotřebí k jeho vybudování
Training it took roughly 4.8 × 10¹⁷ FLOP of computation, on NVIDIA Tesla K40c — a measure of what producing the model cost, not of how fast it answers.
Around 490,356 tokens went into training it.
The reason it appears in this catalogue at all is sOTA improvement.
Odpovědi
DCNN — Časté dotazy
When was DCNN released?
DCNN was published in August 2015. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is DCNN used for?
DCNN works in Vision, and is recorded as handling face verification. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train DCNN?
Around 4.8 × 10¹⁷ FLOP, on NVIDIA Tesla K40c. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run DCNN?
None. DCNN is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is DCNN open source?
No. DCNN has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does DCNN have?
DCNN has 5M parameters. Table 1. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created DCNN?
DCNN was published by University of Maryland,Rutgers University, based in United States of America, categorised as academia,Academia.
Druhý směr
Když se na to podíváte z druhé strany?
Tato stránka začíná modelem. Pokud již vlastníte kartu a chcete vědět, co vše bude schopna spustit, Začněte raději od hardwaru.