DNN EM segmentation
Καμία εκτίμηση
Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο
Δεν έχει δημοσιευτεί το βάρος για αυτό το μοντέλο, επομένως δεν μπορεί να κατέβει ή να τρέξει σε δικό σας υλικό σε οποιοδήποτε μέγεθος. Είναι προσβάσιμο μόνο μέσω του προμηθευτή του, και καμία κάρτα γραφικών δεν το αλλάζει αυτό..
Σε καταγραφή
Πλήρης προδιαγραφή
Όλα τα καταγεγραμμένα για αυτό το μοντέλο. Τα περισσότερα από αυτά περιγράφουν το πώς εκπαιδεύτηκε παρά το πώς τρέχει — χρήσιμο πλαίσιο για την εκτίμηση του πόση εργασία έχει επενδυθεί σε αυτό, και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα..
Προέλευση
Ποιος κατασκεύασε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε.
- Οργάνωση
- IDSIA,SUPSI
- Τύπος οργανισμού
- Academia,Academia
- Χώρα
- Switzerland
- Δημοσιευμένο
- 3 December 2012
- Συγγραφείς
- D. Ciresan, A. Giusti, L. Gambardella, J. Schmidhuber
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες σχεδιάστηκε το μοντέλο. Ένα μοντέλο μπορεί να διαθέτει αρκετές από κάθε μία.
- τομέας
- Vision
- Εργασία
- Image segmentation
- Προσέγγιση
- Supervised
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα έχει εκπαιδευτεί. Οι παράμετροι είναι ο αριθμός που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.
- παράμετροι
- 218.9K
- Δεδομένα εκπαίδευσης
- 3,000,000 tokens
- Εποχές
- 30
Table 1 shows architecture 1st layer CNN: 48*4*4=768 2nd layer CNN: 48*48*5*5=57600 3rd layer CNN: 48*48*4*4=36864 4th layer CNN: 48*48*4*4=36864 1st layer FC: 48*3*3*200=86400 2nd layer FC: 200*2=400 Total parameters: 768+57600+36864+36864+86400+400=218896
[images] "This amounts to 3 million training examples in total, in which both classes are equally represented."
Εκπαίδευση υπολογιστών
Η αριθμητική που πραγματοποιήθηκε για την εκπαίδευση του μοντέλου, μετρημένη σε πράξεις κινητής υποδιαστολής. Είναι ένα μέτρο του κόστους της προπόνησης, όχι της ταχύτητας με την οποία το ολοκληρωμένο μοντέλο σας απαντά.
- Εκπαίδευση υπολογιστών
- 4.8 × 10¹⁷ FLOP
- Πώς ιδρύθηκε
- Operation counting,Hardware
"This amounts to 3 million training examples in total, in which both classes are equally represented. [...] We take advantage of this property, and synthetically augment the training set at the beginning of each epoch by randomly mirroring each training instance, and/or rotating it by ±90◦" Assuming 3 x training examples per epoch due to data augmentation Counting estimate: 1st layer CNN: 2*92*92*48*4*4=13000704 2nd layer CNN: 2*42*42*48*48*5*5=203212800 3rd layer CNN: 2*18*18*48*48*4*4=2388787…
Η εκπαίδευση run
Τι απαιτήθηκε φυσικά για την εκπαίδευση: ποιες κάρτες, πόσες, για πόσο καιρό, και τι αυτό απαιτούσε από το ρεύμα.
- Υλικό εκπαίδευσης
- NVIDIA GeForce GTX 580
- χρησιμοποιούμενα τσιπ
- 4
- Χρόνος τοίχου
- 17 hours
- Κατανάλωση ενέργειας
- 2.1 kW
- Κόστος υπολογισμού
- $4
Training time for one epoch varies from approximately 170 minutes for N1 (w = 65) to 340 minutes for N4 (w = 95). All nets are trained for 30 epochs, which leads to a total training time of several days.
Διαθεσιμότητα
Εάν μπορείτε να αποκτήσετε το μοντέλο και να το τρέξετε στο δικό σας υλικό, το οποίο αποφασίζει αν οποιαδήποτε από τις αριθμούς της κάρτας γραφικών σε αυτή τη σελίδα ισχύει.
- Βάρη
- Closed — provider access only
- Πρόσβαση μοντέλου
- Unreleased
- Κωδικός εκπαίδευσης
- Unreleased
Πώς ταξινομείται
Ετικέτες το πηγαίο σύνολο δεδομένων εφαρμόζει όταν παρακολουθεί σημαντικά μοντέλα, και πόσο βέβαιο είναι στην είσοδο.
- Μοντέλο Frontier
- Yes
- Γιατί παρακολουθείται
- Historical significance,Highly cited
- Εγγραφή εμπιστοσύνης
- Confident
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία φορά.
- Αναφορά
- Deep Neural Networks Segment Neuronal Membranes in Electron Microscopy Images
- Τελευταία ενημέρωση
- 28 November 2025
Τι σημαίνουν οι αριθμοί
Σχετικά με αυτό το μοντέλο
DNN EM segmentation δημοσιεύθηκε από IDSIA,SUPSI, στην χώρα καταγεγραμμένη ως Switzerland, κατά τη διάρκεια December 2012. Η κατηγορία στην οποία υπάγεται ο εκδότης είναι academia,Academia.
Λειτουργεί στον τομέα της Vision, και καταγράφεται ότι εκτελεί την εργασία του image segmentation.
Τα βάρη του δεν έχουν δημοσιευθεί ποτέ, οπότε μπορεί να προσεγγιστεί μόνο μέσω του παρόχου του. Καμία κάρτα γραφικών δεν αλλάζει αυτό.
Εκπαίδευση και προελεύσεις
Η εκπαίδευση απαιτούσε έναν υπολογιστικό προϋπολογισμό περίπου 4.8 × 10¹⁷ FLOP, σε υλικό καταγεγραμμένο ως NVIDIA GeForce GTX 580. Αυτή η τιμή μετράει το κόστος παραγωγής του μοντέλου και δεν έχει σχέση με το πόσο γρήγορα απαντά.
Το σύνολο εκπαίδευσης εκτελέστηκε σε περίπου 3,000,000 κωδικοί κειμένου
Ο λόγος που εμφανίζεται σε αυτόν τον κατάλογο είναι: historical significance,Highly cited.
Απαντήσεις
DNN EM segmentation — κοινές ερωτήσεις
DNN EM segmentation— για τί χρησιμοποιείται;
Λειτουργεί στον τομέα της Vision, και καταγράφεται ως διαχείριση της εργασίας του image segmentation. Τα Μοντέλα συχνά φέρουν περισσότερα από ένα από το καθένα, και οι ετικέτες περιγράφουν τον σκοπό παρά τους περιορισμούς ικανότητας.
DNN EM segmentation— πόσο υπολογιστική ισχύς χρησιμοποιήθηκε για την εκπαίδευσή του;
Η εκπαίδευση κατανάλωσε περίπου 4.8 × 10¹⁷ FLOP, σε υλικό καταγεγραμμένο ως NVIDIA GeForce GTX 580. Αυτό μετράει το κόστος παραγωγής του μοντέλου και δεν λέει τίποτα για το πόσο γρήγορα απαντά μόλις εκπαιδευτεί — η ταχύτητα συμπερασμάτων προέρχεται από τον δίαυλο μνήμης, όχι από τον προϋπολογισμό εκπαίδευσης.
DNN EM segmentation— ποια GPU χρειάζομαι για να το τρέξω;
Κανένα. Αυτό είναι ένα κλειστό μοντέλο - τα βάρη του δεν δημοσιεύθηκαν ποτέ, οπότε δεν μπορεί να κατέβει ή να εκτελεστεί σε δικό σας υλικό σε καμία τιμή. Είναι προσβάσιμο μόνο μέσω του προμηθευτή του.
DNN EM segmentation— είναι ανοιχτού κώδικα;
Όχι. Τα βάρη του δεν έχουν δημοσιευθεί, οπότε υπάρχει μόνο ως υπηρεσία που ελέγχεται από τον ιδιοκτήτη του.
DNN EM segmentation— πόσες παραμέτρους έχει;
Έχει αριθμό παραμέτρων 218.9K. Table 1 shows architecture 1st layer CNN: 48*4*4=768 2nd layer CNN: 48*48*5*5=57600 3rd layer CNN: 48*48*4*4=36864 4th layer CNN: 48*48*4*4=36864 1st layer FC: 48*3*3*200=86400 2nd layer FC: 200*2=400 Total parameters: 768+57600+36864+36864+86400+400=218896. Αυτή η φιγούρα είναι το σύνολο, και είναι αυτό που αποφασίζει πόση μνήμη χρειάζεται το μοντέλο - περίπου μισό γιγαμπάιτ ανά δισεκατομμύριο με τη συμπίεση που χρησιμοποιεί το πιο πολλοί άνθρωποι.
DNN EM segmentation— ποιος το δημιούργησε;
Δημοσιεύθηκε από IDSIA,SUPSI, βασισμένο σε Switzerland, μία οργάνωση κατηγοριοποιημένη ως academia,Academia.
DNN EM segmentation— πότε κυκλοφόρησε;
Δημοσιεύθηκε σε December 2012. Η ικανότητα ανά παράμετρο έχει βελτιωθεί σημαντικά από τότε, οπότε ένα νέο ΜΟΝΤΕΛ του ίδιου μεγέθους είναι συχνά η καλύτερη χρήση του ίδιου υλικού.
Η άλλη κατεύθυνση
Κοιτάζοντας το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινά από το μοντέλο. Αν έχετε ήδη μια κάρτα και θέλετε να μάθετε τα πάντα για το τι θα τρέξει., ξεκινήστε από το υλικό αντ' αυτού.