MCDNN (MNIST)
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
- 13 February 2012
- Autores
- Dan Cireşan, Ueli Meier, Juergen 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
- Character recognition (OCR), Image classification
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
- 2.7M
- Datos de entrenamiento
- 2,100,000 tokens
- Épocas
- 800
"We train five DNN columns per normalization, resulting in a total of 35 columns for the entire MCDNN. [Each DNN has an architecture] 1x29x29-20C4-MP2-40C5-MP3-150N-10N DNN" Parameter calculation: 20*4*4+20*40*5*5+150*40*3*3+10*150=75820 35*75820=2653700
The MNIST database contains 60,000 training images and 10,000 testing images (Wikipedia)
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
- 1.6 × 10¹⁶ FLOP
- Cómo se estableció
- Operation counting
Num of multiply-adds per forward pass 2 FLOPs/mult-add 3 (fp+bp FLOPs / fp FLOPs) 800 epochs 60.000 training size 35 networks "Training a DNN takes almost 14 hours and after 500 training epochs little additional improvement is observed" 500*60000*3*174147400=1.57e+16
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.
- Confianza de registro
- Likely
- Citas
- 4,828
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Multi-column Deep Neural Networks for Image Classification
- Última actualización
- 11 February 2026
Qué significan los números
Fondo
MCDNN (MNIST) fue publicado por IDSIA,SUPSI, en el país registrado como Switzerland, durante February 2012. Sale de una organización categorizada como academia,Academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de character recognition (OCR), Image classification.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 1.6 × 10¹⁶ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El entrenamiento consumió un corpus de alrededor de 2,100,000 tokens de texto
Respuestas
MCDNN (MNIST) — preguntas comunes
MCDNN (MNIST)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
MCDNN (MNIST)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 2.7M. "We train five DNN columns per normalization, resulting in a total of 35 columns for the entire MCDNN. [Each DNN has an architecture] 1x29x29-20C4-MP2-40C5-MP3-150N-10N DNN" Parameter calculation: 20*4*4+20*40*5*5+150*40*3*3+10*150=75820 35*75820=2653700. 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.
MCDNN (MNIST)— ¿Quién lo creó?
Fue publicado por IDSIA,SUPSI, basado en Switzerland, una organización categorizada como academia,Academia.
MCDNN (MNIST)— ¿cuándo fue lanzado?
Se publicó en February 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.
MCDNN (MNIST)— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de character recognition (OCR), 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.
MCDNN (MNIST)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.6 × 10¹⁶ 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.
MCDNN (MNIST)— ¿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.
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.