Decision tree (classification)
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
- Mitsubishi Electric Research Labs,Compaq CRL
- Typ organizace
- Industry,Industry
- Země
- United States of America
- Publikováno
- 8 December 2001
- Autoři
- P. Viola, M. Jones
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Face recognition
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 12K
- Výcviková data
- 753,616 tokens
Iteratively learns decision tree features, where each feature has 2 parameters (threshold and parity). They learn 6000 features total: "The complete face detection cascade has 38 stages with over 6000 features" Additional weights (see Table 1) are a temporary variable of the optimization and not part of the final model.
Section 5: 4916 hand labeled faces + 9544 non-face images = 14460
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
- 6.3 × 10¹³ FLOP
- Jak bylo ustanoveno
- Operation counting
The training compute can be tediously worked out from the pseudocode. I think for dataset size D, number of filters T, the training compute is roughly 180k * D * 3 * T = 6.3e13 FLOPs The training evaluates each of 180k candidate features at each step, repeated for 6000 steps (as 1 feature is selected per round). The operations for one feature evaluation are unclear, but should be low (they only compare specific integer positions in the image). Estimated at 10op. 180000*6000*10*14460=1.56168e+…
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
- Highly cited
- Záznam důvěry
- Likely
- Citace
- 23,449
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Rapid object detection using a boosted cascade of simple features
- Nap poslední aktualizace
- 11 February 2026
Co čísla znamenají
Co je tento MODEL
Decision tree (classification) byl zveřejněn Mitsubishi Electric Research Labs,Compaq CRL, v zemi zaznamenané jako United States of America, během December 2001. Vychází z organizace, která je kategorizována jako industry,Industry.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol face recognition.
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 6.3 × 10¹³ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 753,616 tokeny textu
Je sledováno v základním datasetu z jednoho konkrétního důvodu: highly cited.
Odpovědi
Decision tree (classification) — běžné otázky
Decision tree (classification)— Kdo to vytvořil?
Bylo to publikováno společností Mitsubishi Electric Research Labs,Compaq CRL, zakládající se na United States of America, organizace zařazená jako industry,Industry.
Decision tree (classification)— Kdy byl vydán?
Bylo to zveřejněno v December 2001. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Decision tree (classification)— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol face recognition. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
Decision tree (classification)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 6.3 × 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.
Decision tree (classification)— 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.
Decision tree (classification)— Je to OPEN SOURCE?
Licencování nikdy nebylo zaznamenáno v našich zdrojových datech. Neuváděné licencování považujeme za uzavřené, protože nezaznamenaná licence není na kterou by se dalo spoléhat.
Decision tree (classification)— kolik má parametrů?
Má počet parametrů 12K. Iteratively learns decision tree features, where each feature has 2 parameters (threshold and parity). They learn 6000 features total: "The complete face detection cascade has 38 stages with over 6000 features" Additional weights (see Table 1) are a temporary variable of the optimization and not part of the final model. 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.