Refined Part Pooling
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Tsinghua University,University of Technology Sydney,University of Texas at San Antonio
- Tipo de Organización
- Academia,Academia,Academia
- País
- China, Australia, United States of America
- Publicado
- 9 January 2018
- Autores
- Yifan Sun, Liang Zheng, Yi Yang, Qi Tian, Shengjin Wang
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Person retrieval
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- 77,616 tokens
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 2.6 × 10¹⁶ FLOP
- Cómo se estableció
- Hardware
12150000000000*3600*2*0.3=2.6244e+16 FLOP
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA TITAN Xp
- Chips utilizados
- 2
- Tiempo de reloj
- 1 hours
- Consumo de energía
- 1.0 kW
"With two NVIDIA TITAN XP GPUs and Pytorch as the platform, training an IDE model and a standard PCB on Market-1501 (12,936 training images) consumes about 40 and 50 minutes, respectively"
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
- Citas
- 2,377
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Beyond Part Models: Person Retrieval with Refined Part Pooling (and a Strong Convolutional Baseline)
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
Refined Part Pooling fue publicado por Tsinghua University,University of Technology Sydney,University of Texas at San Antonio, en el país registrado como China, durante January 2018. Sale de una organización categorizada como academia,Academia,Academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de person retrieval.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 2.6 × 10¹⁶ FLOP, en hardware registrado como NVIDIA TITAN Xp. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 77,616 tokens de texto
Respuestas
Refined Part Pooling — preguntas comunes
Refined Part Pooling— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.6 × 10¹⁶ FLOP, en hardware registrado como NVIDIA TITAN Xp. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
Refined Part Pooling— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
Refined Part Pooling— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
Refined Part Pooling— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
Refined Part Pooling— ¿Quién lo creó?
Fue publicado por Tsinghua University,University of Technology Sydney,University of Texas at San Antonio, basado en China, una organización categorizada como academia,Academia,Academia.
Refined Part Pooling— ¿cuándo fue lanzado?
Se publicó en January 2018. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Refined Part Pooling— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de person retrieval. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.