Two Stage Feature Extraction (MNIST)
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
- New York University (NYU)
- Typ organizace
- Academia
- Země
- United States of America
- Publikováno
- 1 September 2009
- Autoři
- Kevin Jarrett, K. Kavukcuoglu, Marc'Aurelio Ranzato, Yann LeCun
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Image classification
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 258.8K
- Výcviková data
- 50,000 tokens
- Epochy
- 33
CNN: 32*5*5+32*64*5*5=52000 FC: 1024*200+200*10=206800 Total: 52000+206800=258800
"experiments were run on the MNIST dataset, which contains 60,000 gray-scale 28x28 pixel digit images for training and 10,000 images for testing"
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
- 2.1 × 10¹³ FLOP
- Jak bylo ustanoveno
- Operation counting
Assuming no padding and stride 1 “on the 50,000 non-validation training samples until the best error rate on the validation set was reached (this took 30 epochs)“ First CNN layer: 2*32*24*24*5*5=921600 Second CNN layer: 2*64*16*5*5*8*8=3276800 First FC layer: 2*4*4*64*200=409600 Second FC layer: 2*200*10=4000 Total forward FLOP: 921600+3276800+409600+4000=4612000 Totral training compute: 4612000*3*30*50000=20754000000000 They train another model in this paper that I think is at least an order o…
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
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,SOTA improvement
- Záznam důvěry
- Confident
They claim SOTA performance on the MNIST and NORB datasets. Is also highly cited
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- What is the best multi-stage architecture for object recognition?
- Nap poslední aktualizace
- 11 February 2026
Co čísla znamenají
O tomto modelu
Two Stage Feature Extraction (MNIST) byl zveřejněn New York University (NYU), v zemi zaznamenané jako United States of America, během September 2009. Kategorie, do které vydavatel spadá, je academia.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol image classification.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Jak bylo trénováno
Trenovací běh spotřeboval asi 2.1 × 10¹³ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Trénink spotřeboval korpus kolem 50,000 tokeny textu
Důvod, proč se to v tomto katalogu vůbec objevuje: highly cited,SOTA improvement.
Odpovědi
Two Stage Feature Extraction (MNIST) — běžné otázky
Two Stage Feature Extraction (MNIST)— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Two Stage Feature Extraction (MNIST)— kolik má parametrů?
Má počet parametrů 258.8K. CNN: 32*5*5+32*64*5*5=52000 FC: 1024*200+200*10=206800 Total: 52000+206800=258800. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Two Stage Feature Extraction (MNIST)— Kdo to vytvořil?
Bylo to publikováno společností New York University (NYU), zakládající se na United States of America, organizace zařazená jako academia.
Two Stage Feature Extraction (MNIST)— Kdy byl vydán?
Bylo to zveřejněno v September 2009. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Two Stage Feature Extraction (MNIST)— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol image classification. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
Two Stage Feature Extraction (MNIST)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 2.1 × 10¹³ FLOP. 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.
Two Stage Feature Extraction (MNIST)— 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.
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.