Hybrid CNN/SVM Object Categorizer
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
- Courant Institute of Mathematical Sciences
- Typ organizace
- Academia
- Země
- United States of America
- Publikováno
- 17 June 2006
- Autoři
- Fu Jie Huang, Yann LeCun
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Object recognition, 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
- 3.6M
- Výcviková data
- 291,600 tokens
- Epochy
- 14
For the CNN: "In this case, the whole network has a total of 90,857 trainable parameters." For the SVM: there are 6 binary SVM models trained support vectors = 0.02x291600 dimension = 100 parameters = (0.02x291600)x100x6=3499200 Total = 3590057
"Each object is captured by a camera pair with 162 different views (9 elevations from 30◦ to 70◦ every 5◦, 18 azimuths sampled every 20◦ along the horizontal viewing circle) and under 6 different illuminations." "To generate the training set, each image was perturbed with 10 different configurations of the above parameters, which makes up 291,600 image pairs of size 108×108. The testing set has 2 drawings of perturbations, and have 58,320 pairs"
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
- 9.8 × 10¹³ FLOP
- Jak bylo ustanoveno
- Operation counting
(291,600)*(8e6)*3*14 "A full propagation of one data sample through the network requires about 4 million multiply-add operations" = 2*4e6 FLOPs "The training and testing features are extracted with the convolutional net trained after 14 passes" "The experiments here are run on a single CPU (AMD Opteron at 2GHz) with 4GB of memory"
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Doba reálného času
- 52 hours
Train time = (5880+330 min*GHz) * (1/(CPU=2GHz) * (1 hr/60 min) = 51.75 hours
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.
- Záznam důvěry
- Confident
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Large-scale learning with svm and convolutional nets for generic object categorization
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Co je tento MODEL
Hybrid CNN/SVM Object Categorizer byl zveřejněn Courant Institute of Mathematical Sciences, v zemi zaznamenané jako United States of America, během June 2006. Vydavatelská organizace je kategorizována jako academia.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol object recognition, Image classification.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Jak bylo trénováno
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 9.8 × 10¹³ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 291,600 tokeny textu
Odpovědi
Hybrid CNN/SVM Object Categorizer — běžné otázky
Hybrid CNN/SVM Object Categorizer— 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.
Hybrid CNN/SVM Object Categorizer— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Hybrid CNN/SVM Object Categorizer— kolik má parametrů?
Má počet parametrů 3.6M. For the CNN: "In this case, the whole network has a total of 90,857 trainable parameters." For the SVM: there are 6 binary SVM models trained support vectors = 0.02x291600 dimension = 100 parameters = (0.02x291600)x100x6=3499200 Total = 3590057. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Hybrid CNN/SVM Object Categorizer— Kdo to vytvořil?
Bylo to publikováno společností Courant Institute of Mathematical Sciences, zakládající se na United States of America, organizace zařazená jako academia.
Hybrid CNN/SVM Object Categorizer— Kdy byl vydán?
Bylo to zveřejněno v June 2006. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Hybrid CNN/SVM Object Categorizer— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol object recognition, Image classification. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
Hybrid CNN/SVM Object Categorizer— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 9.8 × 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.
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.