DNN EM segmentation
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,SUPSI
- Tipo de Organización
- Academia,Academia
- País
- Switzerland
- Publicado
- 3 December 2012
- Autores
- D. Ciresan, A. Giusti, L. Gambardella, J. Schmidhuber
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 segmentation
- Enfoque
- Supervised
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
- 218.9K
- Datos de entrenamiento
- 3,000,000 tokens
- Épocas
- 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."
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
- 4.8 × 10¹⁷ FLOP
- Cómo se estableció
- 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…
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 GeForce GTX 580
- Chips utilizados
- 4
- Tiempo de reloj
- 17 hours
- Consumo de energía
- 2.1 kW
- Costo de cómputo
- $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.
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Modelo Frontier
- Yes
- Por qué se rastrea
- Historical significance,Highly cited
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Deep Neural Networks Segment Neuronal Membranes in Electron Microscopy Images
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
DNN EM segmentation fue publicado por IDSIA,SUPSI, en el país registrado como Switzerland, durante December 2012. 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 segmentation.
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.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 4.8 × 10¹⁷ FLOP, en hardware registrado como NVIDIA GeForce GTX 580. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 3,000,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: historical significance,Highly cited.
Respuestas
DNN EM segmentation — preguntas comunes
DNN EM segmentation— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image segmentation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
DNN EM segmentation— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 4.8 × 10¹⁷ FLOP, en hardware registrado como NVIDIA GeForce GTX 580. 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.
DNN EM segmentation— ¿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.
DNN EM segmentation— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
DNN EM segmentation— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 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. 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.
DNN EM segmentation— ¿Quién lo creó?
Fue publicado por IDSIA,SUPSI, basado en Switzerland, una organización categorizada como academia,Academia.
DNN EM segmentation— ¿cuándo fue lanzado?
Se publicó en December 2012. 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.
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.