TA-CNN
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
- Chinese University of Hong Kong (CUHK)
- Organisationsart
- Academia
- Land
- Hong Kong
- Veröffentlicht
- 29 November 2014
- Autoren
- Yonglong Tian, Ping Luo, Xiaogang Wang, Xiaoou Tang
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Vision
- Aufgabe
- Object detection
- 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
- 706K
- Trainingsdaten
- 45,000 tokens
Architecture details in Figure 4 Conv1: 3*7*7*32=4704 Conv2: 32*5*5*48=38400Conv3: 48*3*3*64=27648 Conv4: 64*3*3*96=55296 Fc5: 5*2*96*500=480000 Fc6: 500*200=100000 Total: 4704+38400+27648+55296+480000+100000=706048
Followed train test split detailed in Pedestrian Detection: An Evaluation of the State of the Art
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
- 1.1 × 10¹⁶ FLOP
- Wie es etabliert wurde
- Hardware
Training time: 3h Assumed FP32 GPU FLOPs in 2014: 3.35e+12Assumed utilization: 0.3 Training FLOP: 3*60*60*0.3*3.35e12=10854000000000000=1.08e16
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Verwendete Chips
- 1
- Wand-Uhrzeit
- 3 hours
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
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
- Likely
"he proposed approach outperforms the state-of-the-art on the challenging Caltech and ETH datasets, where it reduces the miss rates of previous deep models by 17 and 5.5 percent, respectively. "
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Pedestrian Detection aided by Deep Learning Semantic Tasks
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Über dieses Modell
TA-CNN wurde veröffentlicht von Chinese University of Hong Kong (CUHK), im Land aufgezeichnet als Hong Kong, während November 2014. Die veröffentlichende Organisation ist als academia.
Es funktioniert im Bereich von Vision, und wird als die Aufgabe von aufgezeichnet object detection.
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Was in den Aufbau geflossen ist
Das Training benötigte ein Rechenbudget von ungefähr 1.1 × 10¹⁶ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Es wurde auf einem Korpus von etwa 45,000 Text-Tokens
Der Grund, warum es überhaupt in diesem Katalog erscheint: sOTA improvement.
Antworten
TA-CNN — Häufige Fragen
TA-CNN— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 706K. Architecture details in Figure 4 Conv1: 3*7*7*32=4704 Conv2: 32*5*5*48=38400Conv3: 48*3*3*64=27648 Conv4: 64*3*3*96=55296 Fc5: 5*2*96*500=480000 Fc6: 500*200=100000 Total: 4704+38400+27648+55296+480000+100000=706048. 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.
TA-CNN— Wer hat es erstellt?
Es wurde veröffentlicht von Chinese University of Hong Kong (CUHK), basiert auf Hong Kong, eine als kategorisierte Organisation academia.
TA-CNN— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in November 2014. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
TA-CNN— Wofür wird es verwendet?
Es funktioniert im Bereich von Vision, und wird als Bewältigung der Aufgabe von object detection. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
TA-CNN— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 1.1 × 10¹⁶ FLOP. 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.
TA-CNN— 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.
TA-CNN— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
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.