SqueezeNet
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
- DeepScale,University of California (UC) Berkeley,Stanford University
- Tipo de Organización
- Academia,Academia
- País
- United States of America
- Publicado
- 24 February 2016
- Autores
- Forrest N. Iandola, Song Han, Matthew W. Moskewicz, Khalid Ashraf, William J. Dally, Kurt Keutzer
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Image classification
- Formato numérico
- FP32
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.
- parámetros
- 1.2M
- Datos de entrenamiento
- 1,280,000 tokens
The paper says "SqueezeNet achieves AlexNet-level accuracy on ImageNet with 50x fewer parameters." AlexNet has 60 million parameters.
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- Highly cited
- Citas
- 8,366
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
SqueezeNet fue publicado por DeepScale,University of California (UC) Berkeley,Stanford University, en el país registrado como United States of America, durante February 2016. La categoría en la que se encuentra el editor es academia,Academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
El entrenamiento consumió un corpus de alrededor de 1,280,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: highly cited.
Respuestas
SqueezeNet — preguntas comunes
SqueezeNet— ¿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.
SqueezeNet— ¿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.
SqueezeNet— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 1.2M. The paper says "SqueezeNet achieves AlexNet-level accuracy on ImageNet with 50x fewer parameters." AlexNet has 60 million parameters. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
SqueezeNet— ¿Quién lo creó?
Fue publicado por DeepScale,University of California (UC) Berkeley,Stanford University, basado en United States of America, una organización categorizada como academia,Academia.
SqueezeNet— ¿cuándo fue lanzado?
Se publicó en February 2016. 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.
SqueezeNet— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
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.