DCNN
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en su propio hardware en ningún tamaño. Solo es accesible a través de su proveedor, y ninguna tarjeta gráfica lo cambia.
En registro
Especificación completa
Todo lo registrado para este modelo. La mayoría de ello describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se dedicó a ello y cómo se compara con modelos construidos a una escala diferente.
Origen
¿Quién construyó este modelo, dónde y cuándo fue publicado?
- Organización
- University of Maryland,Rutgers University
- Tipo de organización
- Academia,Academia
- País
- United States of America
- Publicado
- 7 August 2015
- Autores
- Jun-Cheng Chen, Vishal M. Patel, Rama Chellappa
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Face verification
- Approach
- Supervised
Tamaño
Qué tan grande es el modelo y cuántos datos se utilizaron para entrenarlo. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Parámetros
- 5M
- Datos de entrenamiento
- 490,356 tokens
- Épocas
- 26
Table 1
"The CASIA-WebFace dataset contains 494,414 face images of 10,575 subjects downloaded from the IMDB website. After removing the 27 overlapping subjects with the IJB-A dataset, there are 10548 subjects 1 and 490,356 face images."
Entrenamiento de computación
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 cuán rápido responde el modelo terminado.
- Entrenamiento de computación
- 4.8 × 10¹⁷ FLOP
- Cómo se estableció
- Operation counting,Hardware
Total compute: 1535436288 forward pass flops *3* 1000000 iterations * 128 batch size = 589607534592000000 FLOP = 5.89607534592e17 FLOP Forward pass FLOPs based on CNN details in Table 1: Conv11: 2*3*3*32*100*100*1=5760000 Conv12: 2*3*3*64*100*100*32=368640000 Conv21: 2*3*3*64*50*50*64=184320000 Conv22: 2*3*3*64*50*50*128=368640000 Conv32: 2*3*3*128*25*25*96=138240000 Conv33: 2*3*3*96*25*25*192=207360000 Conv41: 2*3*3*192*13*13*128=74760192 Conv42: 2*3*3*128*13*13*256=99680256 Conv51: 2*3*3*256*…
El entrenamiento
Lo que se necesitó físicamente para entrenar: qué chips, cuántos, durante cuánto tiempo y qué consumió de la pared.
- Hardware de entrenamiento
- NVIDIA Tesla K40c
- Chips usados
- 1
- Wall-clock time
- 216 hours (9 days)
- Consumo de energía
- 286 W
"The DCNN model is trained for about 9 days using NVidia Tesla K40."
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo cual es lo que decide si alguna de las cifras de la tarjeta gráfica en esta página aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Por qué se rastrea
- SOTA improvement
- Registrar confianza
- Confident
https://paperswithcode.com/sota/face-verification-on-ijb-a
Fuentes
De dónde proviene este registro y cuándo fue revisado por última vez.
- Referencia
- Unconstrained Face Verification using Deep CNN Features
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
DCNN was published by University of Maryland,Rutgers University, in United States of America, in August 2015. The organisation is categorised as academia,Academia.
It works in Vision, and is recorded as doing face verification.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a ellos a través de su proveedor. Ninguna tarjeta gráfica cambia eso.
Qué se utilizó para construirlo
Training it took roughly 4.8 × 10¹⁷ FLOP of computation, on NVIDIA Tesla K40c — a measure of what producing the model cost, not of how fast it answers.
Around 490,356 tokens went into training it.
The reason it appears in this catalogue at all is sOTA improvement.
Respuestas
DCNN — Preguntas frecuentes
When was DCNN released?
DCNN fue publicado en agosto de 2015. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más nuevo del mismo tamaño suele ser el mejor uso del mismo hardware.
What is DCNN used for?
DCNN works in Vision, and is recorded as handling face verification. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train DCNN?
Around 4.8 × 10¹⁷ FLOP, on NVIDIA Tesla K40c. 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 DCNN?
None. DCNN 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.
Is DCNN open source?
No. DCNN has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does DCNN have?
DCNN has 5M parameters. Table 1. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created DCNN?
DCNN was published by University of Maryland,Rutgers University, based in United States of America, categorised as academia,Academia.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posee una tarjeta y desea saber todo lo que podrá ejecutar, empiece por el hardware en su lugar.