SVM-CNN
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
- 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
- Image classification
- 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
- 90.9K
- Výcviková data
- 583,200 tokens
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
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
- 7.5 × 10¹⁴ FLOP
- Jak bylo ustanoveno
- Hardware
Training time: 5880+330=6210 minutes (Table 1) “The timing is normalized to hypothetical 1GHz single CPU.” Assuming utilization of 0.5 and AMD Athlon 64 Processor with 4 FLOP/cycle Compute: 6210*60*4*1000000000*0.5=745200000000000 = 7.4e14
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Používané čipy
- 1
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.
- Frontier model
- Yes
- Proč je to sledováno
- Historical significance
- Záznam důvěry
- Confident
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Large-scale Learning with SVM and Convolutional for Generic Object Categorization
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Co je tento MODEL
SVM-CNN byl zveřejněn New York University (NYU), v zemi zaznamenané jako United States of America, během June 2006. Kategorie, do které vydavatel spadá, je academia.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol image classification.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Trénink a původ
Trénování si vyžádalo výpočetní rozpočet přibližně 7.5 × 10¹⁴ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Trénink spotřeboval korpus kolem 583,200 tokeny textu
Je sledováno v základním datasetu z jednoho konkrétního důvodu: historical significance.
Odpovědi
SVM-CNN — běžné otázky
SVM-CNN— Kdo to vytvořil?
Bylo to publikováno společností New York University (NYU), zakládající se na United States of America, organizace zařazená jako academia.
SVM-CNN— 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.
SVM-CNN— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol image classification. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
SVM-CNN— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 7.5 × 10¹⁴ 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.
SVM-CNN— 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.
SVM-CNN— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
SVM-CNN— kolik má parametrů?
Má počet parametrů 90.9K. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
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.