Mitosis
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
- IDSIA
- Tipo de Organización
- Academia
- País
- Switzerland
- Publicado
- 22 September 2013
- Autores
- Dan C. Cireşan, Alessandro Giusti, Luca M. Gambardella, Jürgen Schmidhuber
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision, Medicine
- Tarea
- Object detection
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
- 37.2K
- Datos de entrenamiento
- 1,000,000 tokens
Sum numbers of weights in Table 1.b
The dataset is built in two stages. First a classifier is trained on small sample, and used to curate a more representative larger dataset. The final dataset has 1M instances "We build the actual training set, composed by 1 million instances, which includes all mitosis pixels (6.6% of the training instances). The remaining 95.4% is sampled from non-mitosis pixels by assigning to each pixel p a weight D(p)."
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
- 1.4 × 10¹⁷ FLOP
- Cómo se estableció
- Hardware
"Training each network requires one day of computation with an optimized GPU implementation" Assuming 1.58E+12 FLOP/second on FP32 (from the table in the Estimating compute post), we get 3600*24*1.58E+12 = 1.37E+17 FLOP
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Tiempo de reloj
- 24 hours
"Training each network requires one day of computation with an optimized GPU implementation"
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
- Likely
- Citas
- 1,553
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Mitosis Detection in Breast Cancer Histology Images with Deep Neural Networks
- Última actualización
- 1 January 2026
Qué significan los números
Qué es este modelo
Mitosis fue publicado por IDSIA, en el país registrado como Switzerland, durante September 2013. La organización editora está clasificada como academia.
Funciona en el dominio de Vision, Medicine, y se registra como realizando la tarea de object detection.
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
Entrenarlo tomó un presupuesto de computación de aproximadamente 1.4 × 10¹⁷ FLOP. 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 1,000,000 tokens de texto
Respuestas
Mitosis — preguntas comunes
Mitosis— ¿Quién lo creó?
Fue publicado por IDSIA, basado en Switzerland, una organización categorizada como academia.
Mitosis— ¿cuándo fue lanzado?
Se publicó en September 2013. 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.
Mitosis— ¿Para qué se utiliza?
Funciona en el dominio de Vision, Medicine, y se registra como manejando la tarea de object detection. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Mitosis— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.4 × 10¹⁷ FLOP. 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.
Mitosis— ¿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.
Mitosis— ¿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.
Mitosis— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 37.2K. Sum numbers of weights in Table 1.b. 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.
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.