Invariant image recognition
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, sodass es weder heruntergeladen noch auf Ihrer eigenen Hardware in irgendeiner Größe ausgeführt werden kann. Es ist nur über seinen Anbieter zugänglich, und keine Grafikkarte ändert daran etwas.
Aufzeichnung
Vollständige Spezifikation
Alles aufzeichnungsfähig für dieses Modell. Die meisten Informationen beschreiben, wie es trainiert wurde, anstatt wie es läuft — ein nützlicher Kontext, um zu beurteilen, wie viel Arbeit investiert wurde und wie es im Vergleich zu auf einer anderen Skala entwickelten Modellen abschneidet..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Complutense University of Madrid
- Organisationstyp
- Academia
- Land
- Spain
- Veröffentlicht
- 18 June 1989
- Autoren
- V. Cruz, G. Cristóbal, T. Michaux, S. Barquin
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Vision
- Aufgabe
- Representation learning
Größe
Wie groß das Modell ist und wie viele Daten es trainiert wurde. Die Parameter sind die Größe, die entscheidet, ob es auf eine bestimmte Grafikkarte passt.
- Trainingsdaten
- tokens
Training-Computing
Die zur Ausbildung des Modells durchgeführte Arithmetik, gemessen in Gleitkommaoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht wie schnell das fertige Modell Ihnen antwortet.
- Training-Computing
- 2.7 × 10¹⁰ FLOP
- Wie es etabliert wurde
- Hardware
0.5*6*60*60*2.5e6 = 27000000000 = 2.7e10 Trained for 6h on a SUN-4 (section 4) Assumed utilization of 0.5 SUN-4 is estimated at 2.5e6 FLOP/s (Nordhaus, 2007)
Der Trainingslauf
Was physisch notwendig war, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Steckdose zog.
- Wall-clock time
- 6 hours
Section 4
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Frontier model
- Yes
- Warum es nachverfolgt wird
- Historical significance
- Aufzeichnungszuversicht
- Confident
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- Invariant image recognition using a multi-network neural model
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Was dieses Modell ist
Invariant image recognition was published by Complutense University of Madrid, in Spain, in June 1989. academia is the category the publisher falls under.
It works in Vision, and is recorded as doing representation learning.
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Training und Herkunft
The training run consumed about 2.7 × 10¹⁰ FLOP. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
Its inclusion criterion is historical significance.
Antworten
Invariant image recognition — Häufig gestellte Fragen
Is Invariant image recognition open source?
The licensing for Invariant image recognition was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does Invariant image recognition have?
No parameter count has been published for Invariant image recognition, which is why no memory or speed figure appears on this page.
Who created Invariant image recognition?
Invariant image recognition was published by Complutense University of Madrid, based in Spain, categorised as academia.
When was Invariant image recognition released?
Invariant image recognition was published in June 1989. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
Wofür wird Invariant-Bilderkennung verwendet?
Invariant image recognition works in Vision, and is recorded as handling representation learning. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
How much compute was used to train Invariant image recognition?
Around 2.7 × 10¹⁰ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run Invariant image recognition?
None. Invariant image recognition is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Die andere Richtung
Wenn Sie es von der anderen Seite betrachten?
Diese Seite beginnt beim Modell. Wenn Sie bereits eine Karte besitzen und alles erfahren möchten, was es ausführen kann, Beginnen Sie stattdessen mit der Hardware.