DCNN
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- University of Maryland,Rutgers University
- Organisationsart
- Academia,Academia
- Land
- United States of America
- Veröffentlicht
- 7 August 2015
- Autoren
- Jun-Cheng Chen, Vishal M. Patel, Rama Chellappa
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Vision
- Aufgabe
- Face verification
- Ansatz
- Supervised
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Parameter
- 5M
- Trainingsdaten
- 490,356 tokens
- Epochen
- 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."
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 4.8 × 10¹⁷ FLOP
- Wie es etabliert wurde
- 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*…
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Trainingshardware
- NVIDIA Tesla K40c
- Verwendete Chips
- 1
- Wand-Uhrzeit
- 216 hours (9 days)
- Stromverbrauch
- 286 W
"The DCNN model is trained for about 9 days using NVidia Tesla K40."
Verfügbarkeit
Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.
- Gewichte
- Closed — provider access only
- Modellzugang
- Unreleased
- Training-Code
- Unreleased
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Warum es verfolgt wird
- SOTA improvement
- Aufzeichnungsgenauigkeit
- Confident
https://paperswithcode.com/sota/face-verification-on-ijb-a
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Unconstrained Face Verification using Deep CNN Features
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Über dieses Modell
DCNN wurde veröffentlicht von University of Maryland,Rutgers University, im Land aufgezeichnet als United States of America, während August 2015. Die veröffentlichende Organisation ist als academia,Academia.
Es funktioniert im Bereich von Vision, und wird als die Aufgabe von aufgezeichnet face verification.
Seine Gewichte wurden niemals veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarten ändern das.
Was in den Aufbau geflossen ist
Das Training benötigte ein Rechenbudget von ungefähr 4.8 × 10¹⁷ FLOP, auf Hardware erfasst als NVIDIA Tesla K40c. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Training verbrauchte ein Korpus von etwa 490,356 Text-Tokens
Der Grund, warum es überhaupt in diesem Katalog erscheint: sOTA improvement.
Antworten
DCNN — Häufige Fragen
DCNN— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in August 2015. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
DCNN— Wofür wird es verwendet?
Es funktioniert im Bereich von Vision, und wird als Bewältigung der Aufgabe von face verification. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
DCNN— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 4.8 × 10¹⁷ FLOP, auf Hardware erfasst als NVIDIA Tesla K40c. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
DCNN— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
DCNN— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
DCNN— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 5M. Table 1. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
DCNN— Wer hat es erstellt?
Es wurde veröffentlicht von University of Maryland,Rutgers University, basiert auf United States of America, eine als kategorisierte Organisation academia,Academia.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.