CNN Committee (MNIST)

Geschlossene Gewichtungen IDSIA 120.6K Parameter September 2011

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..

Durchsuche Modelle, die du stattdessen ausführen kannst.

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
Organisationsart: Academia
Land: Switzerland
Veröffentlicht: 18 September 2011
Autoren: D. Ciresan, U. Meier, L. Gambardella, J. Schmidhuber

Was es tut

Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.

Domain: Vision
Aufgabe: Image classification
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: 120.6K
Trainingsdaten: 420,000 tokens
Epochen: 800

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: 5.2 × 10¹⁶ FLOP
Wie es etabliert wurde: Hardware,Operation counting

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 GeForce GTX 580,NVIDIA GeForce GTX 480
Verwendete Chips: 4
Wand-Uhrzeit: 98 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
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.

Grenzmodell: Yes
Warum es verfolgt wird: Historical significance
Aufzeichnungsgenauigkeit: Likely

Quellen

Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.

Referenz: Convolutional Neural Network Committees for Handwritten Character Classification
Zuletzt aktualisiert: 11 February 2026

Was die Zahlen bedeuten

Über dieses Modell

CNN Committee (MNIST) wurde veröffentlicht von IDSIA, im Land aufgezeichnet als Switzerland, während September 2011. Die veröffentlichende Organisation ist als academia.

Es funktioniert im Bereich von Vision, und wird als die Aufgabe von aufgezeichnet image classification.

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 5.2 × 10¹⁶ FLOP, auf Hardware erfasst als NVIDIA GeForce GTX 580,NVIDIA GeForce GTX 480. 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 420,000 Text-Tokens

Es wird aus einem bestimmten Grund im zugrunde liegenden Datensatz verfolgt: historical significance.

Antworten

CNN Committee (MNIST) — Häufige Fragen

CNN Committee (MNIST)— Wer hat es erstellt?

Es wurde veröffentlicht von IDSIA, basiert auf Switzerland, eine als kategorisierte Organisation academia.

CNN Committee (MNIST)— Wann wurde es veröffentlicht?

Es wurde veröffentlicht in September 2011. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.

CNN Committee (MNIST)— Wofür wird es verwendet?

Es funktioniert im Bereich von Vision, und wird als Bewältigung der Aufgabe von 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.

CNN Committee (MNIST)— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?

Training verbrauchte etwa 5.2 × 10¹⁶ FLOP, auf Hardware erfasst als NVIDIA GeForce GTX 580,NVIDIA GeForce GTX 480. 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.

CNN Committee (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.

CNN Committee (MNIST)— Ist es Open-Source?

Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.

CNN Committee (MNIST)— Wie viele Parameter hat es?

Es hat eine Parameteranzahl von 120.6K. 1st CNN layer: 20*4*4=320 2nd CNN layer: 20*40*9*9=64800 1st FC layer: 40*3*3*150=54000 2nd FC layer: 150*10=1500 Total: 320+64800+54000+1500=120620. 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.

Quelle

Originalveröffentlichung

Letzte Aktualisierung des Protokolls 11 February 2026

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.

Alle KI-Modelle