Pooling CNN (NORB)
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 Bonn
- Organisationsart
- Academia
- Land
- Germany
- Veröffentlicht
- 15 September 2010
- Autoren
- Dominik Scherer, Andreas C. Müller, Sven Behnke
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
- 268.7K
- Trainingsdaten
- 24,300 tokens
- Epochen
- 1,000
Figure 1 C1: 2*16*5*5=800 C3: 16*64*6*6=36864 F5: 64*6*6*100=230400 F6: 100*6=600 Total: 800+36864+230400+600=268664
Each pattern consists of a binocular pair of 96 × 96 grayscale images, with a total of 24,300 training patterns and the same amount of testing patterns.
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
- 1.5 × 10¹⁵ FLOP
- Wie es etabliert wurde
- Operation counting
Forward FLOP C1: 2*2*16*5*5*92*92=13542400 C3: 2*16*16*6*6*18*18=5971968 F5: 2*64*6*6*100=460800 F6: 2*100*6=1200 Total: 13542400+5971968+460800+1200=19976368 1000 epochs, 24300 training examples 19976368*3*24300*1000=1456277227200000=1.5e15
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
- Historical significance,Highly cited,SOTA improvement
- Aufzeichnungsgenauigkeit
- Confident
"we achieve state-of-the-art error rates of 4.57% on the NORB normalized-uniform dataset and 5.6% on the NORB jittered-cluttered dataset."
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Evaluation of Pooling Operations in Convolutional Architectures for Object Recognition
- Zuletzt aktualisiert
- 11 February 2026
Was die Zahlen bedeuten
Was dieses Modell ist
Pooling CNN (NORB) wurde veröffentlicht von University of Bonn, im Land aufgezeichnet als Germany, während September 2010. Es stammt aus einer Organisation, die kategorisiert ist als academia.
Es funktioniert im Bereich von Vision, und wird als die Aufgabe von aufgezeichnet image classification.
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Was in den Aufbau geflossen ist
Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 1.5 × 10¹⁵ 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 24,300 Text-Tokens
Das Einschlusskriterium: historical significance,Highly cited,SOTA improvement.
Antworten
Pooling CNN (NORB) — Häufige Fragen
Pooling CNN (NORB)— Wofür wird es verwendet?
Es funktioniert im Bereich von Vision, und wird als Bewältigung der Aufgabe von image classification. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
Pooling CNN (NORB)— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 1.5 × 10¹⁵ 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.
Pooling CNN (NORB)— 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.
Pooling CNN (NORB)— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
Pooling CNN (NORB)— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 268.7K. Figure 1 C1: 2*16*5*5=800 C3: 16*64*6*6=36864 F5: 64*6*6*100=230400 F6: 100*6=600 Total: 800+36864+230400+600=268664. 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.
Pooling CNN (NORB)— Wer hat es erstellt?
Es wurde veröffentlicht von University of Bonn, basiert auf Germany, eine als kategorisierte Organisation academia.
Pooling CNN (NORB)— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in September 2010. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
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.