Hybrid CNN/SVM Object Categorizer
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
- Courant Institute of Mathematical Sciences
- Organisationsart
- Academia
- Land
- United States of America
- Veröffentlicht
- 17 June 2006
- Autoren
- Fu Jie Huang, Yann LeCun
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Vision
- Aufgabe
- Object recognition, 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
- 3.6M
- Trainingsdaten
- 291,600 tokens
- Epochen
- 14
For the CNN: "In this case, the whole network has a total of 90,857 trainable parameters." For the SVM: there are 6 binary SVM models trained support vectors = 0.02x291600 dimension = 100 parameters = (0.02x291600)x100x6=3499200 Total = 3590057
"Each object is captured by a camera pair with 162 different views (9 elevations from 30◦ to 70◦ every 5◦, 18 azimuths sampled every 20◦ along the horizontal viewing circle) and under 6 different illuminations." "To generate the training set, each image was perturbed with 10 different configurations of the above parameters, which makes up 291,600 image pairs of size 108×108. The testing set has 2 drawings of perturbations, and have 58,320 pairs"
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
- 9.8 × 10¹³ FLOP
- Wie es etabliert wurde
- Operation counting
(291,600)*(8e6)*3*14 "A full propagation of one data sample through the network requires about 4 million multiply-add operations" = 2*4e6 FLOPs "The training and testing features are extracted with the convolutional net trained after 14 passes" "The experiments here are run on a single CPU (AMD Opteron at 2GHz) with 4GB of memory"
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Wand-Uhrzeit
- 52 hours
Train time = (5880+330 min*GHz) * (1/(CPU=2GHz) * (1 hr/60 min) = 51.75 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.
- Aufzeichnungsgenauigkeit
- Confident
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Large-scale learning with svm and convolutional nets for generic object categorization
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Was dieses Modell ist
Hybrid CNN/SVM Object Categorizer wurde veröffentlicht von Courant Institute of Mathematical Sciences, im Land aufgezeichnet als United States of America, während June 2006. Die veröffentlichende Organisation ist als academia.
Es funktioniert im Bereich von Vision, und wird als die Aufgabe von aufgezeichnet object recognition, Image classification.
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Wie es trainiert wurde
Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 9.8 × 10¹³ 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 291,600 Text-Tokens
Antworten
Hybrid CNN/SVM Object Categorizer — Häufige Fragen
Hybrid CNN/SVM Object Categorizer— 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.
Hybrid CNN/SVM Object Categorizer— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
Hybrid CNN/SVM Object Categorizer— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 3.6M. For the CNN: "In this case, the whole network has a total of 90,857 trainable parameters." For the SVM: there are 6 binary SVM models trained support vectors = 0.02x291600 dimension = 100 parameters = (0.02x291600)x100x6=3499200 Total = 3590057. 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.
Hybrid CNN/SVM Object Categorizer— Wer hat es erstellt?
Es wurde veröffentlicht von Courant Institute of Mathematical Sciences, basiert auf United States of America, eine als kategorisierte Organisation academia.
Hybrid CNN/SVM Object Categorizer— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in June 2006. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Hybrid CNN/SVM Object Categorizer— Wofür wird es verwendet?
Es funktioniert im Bereich von Vision, und wird als Bewältigung der Aufgabe von object recognition, Image classification. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
Hybrid CNN/SVM Object Categorizer— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 9.8 × 10¹³ 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.
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.