MCDNN (MNIST)
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
- IDSIA,SUPSI
- Organisationsart
- Academia,Academia
- Land
- Switzerland
- Veröffentlicht
- 13 February 2012
- Autoren
- Dan Cireşan, Ueli Meier, Juergen Schmidhuber
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Vision
- Aufgabe
- Character recognition (OCR), Image classification
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
- 2.7M
- Trainingsdaten
- 2,100,000 tokens
- Epochen
- 800
"We train five DNN columns per normalization, resulting in a total of 35 columns for the entire MCDNN. [Each DNN has an architecture] 1x29x29-20C4-MP2-40C5-MP3-150N-10N DNN" Parameter calculation: 20*4*4+20*40*5*5+150*40*3*3+10*150=75820 35*75820=2653700
The MNIST database contains 60,000 training images and 10,000 testing images (Wikipedia)
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
- 1.6 × 10¹⁶ FLOP
- Wie es etabliert wurde
- Operation counting
Num of multiply-adds per forward pass 2 FLOPs/mult-add 3 (fp+bp FLOPs / fp FLOPs) 800 epochs 60.000 training size 35 networks "Training a DNN takes almost 14 hours and after 500 training epochs little additional improvement is observed" 500*60000*3*174147400=1.57e+16
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.
- Aufzeichnungsgenauigkeit
- Likely
- Zitationen
- 4,828
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Multi-column Deep Neural Networks for Image Classification
- Zuletzt aktualisiert
- 11 February 2026
Was die Zahlen bedeuten
Hintergrund
MCDNN (MNIST) wurde veröffentlicht von IDSIA,SUPSI, im Land aufgezeichnet als Switzerland, während February 2012. Es stammt aus einer Organisation, die kategorisiert ist als academia,Academia.
Es funktioniert im Bereich von Vision, und wird als die Aufgabe von aufgezeichnet character recognition (OCR), Image classification.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Wie es trainiert wurde
Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 1.6 × 10¹⁶ FLOP. 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 2,100,000 Text-Tokens
Antworten
MCDNN (MNIST) — Häufige Fragen
MCDNN (MNIST)— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
MCDNN (MNIST)— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 2.7M. "We train five DNN columns per normalization, resulting in a total of 35 columns for the entire MCDNN. [Each DNN has an architecture] 1x29x29-20C4-MP2-40C5-MP3-150N-10N DNN" Parameter calculation: 20*4*4+20*40*5*5+150*40*3*3+10*150=75820 35*75820=2653700. 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.
MCDNN (MNIST)— Wer hat es erstellt?
Es wurde veröffentlicht von IDSIA,SUPSI, basiert auf Switzerland, eine als kategorisierte Organisation academia,Academia.
MCDNN (MNIST)— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in February 2012. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
MCDNN (MNIST)— Wofür wird es verwendet?
Es funktioniert im Bereich von Vision, und wird als Bewältigung der Aufgabe von character recognition (OCR), Image classification. Ein Modell kann mehrere von jedem tragen, daher sind dies die Bereiche, für die es gebaut wurde, anstatt eine Begrenzung dafür, was es versuchen wird.
MCDNN (MNIST)— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 1.6 × 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.
MCDNN (MNIST)— 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.
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.