Pooling CNN (NORB)
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
- University of Bonn
- Tipo de Organización
- Academia
- País
- Germany
- Publicado
- 15 September 2010
- Autores
- Dominik Scherer, Andreas C. Müller, Sven Behnke
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
- 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
- 268.7K
- Datos de entrenamiento
- 24,300 tokens
- Épocas
- 1,000
Figure 1 C1: 2*16*5*5=800 C3: 16*64*6*6=36864 F5: 64*6*6*100=230400 F6: 100*6=600 Total: 800+36864+230400+600=268664
Each pattern consists of a binocular pair of 96 × 96 grayscale images, with a total of 24,300 training patterns and the same amount of testing patterns.
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
- 1.5 × 10¹⁵ FLOP
- Cómo se estableció
- Operation counting
Forward FLOP C1: 2*2*16*5*5*92*92=13542400 C3: 2*16*16*6*6*18*18=5971968 F5: 2*64*6*6*100=460800 F6: 2*100*6=1200 Total: 13542400+5971968+460800+1200=19976368 1000 epochs, 24300 training examples 19976368*3*24300*1000=1456277227200000=1.5e15
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
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
- Historical significance,Highly cited,SOTA improvement
- Confianza de registro
- Confident
"we achieve state-of-the-art error rates of 4.57% on the NORB normalized-uniform dataset and 5.6% on the NORB jittered-cluttered dataset."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Evaluation of Pooling Operations in Convolutional Architectures for Object Recognition
- Última actualización
- 11 February 2026
Qué significan los números
Qué es este modelo
Pooling CNN (NORB) fue publicado por University of Bonn, en el país registrado como Germany, durante September 2010. Sale de una organización categorizada como academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Qué se necesitó para construirlo
Producirlo requirió una aritmética que totaliza alrededor de 1.5 × 10¹⁵ 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 24,300 tokens de texto
Su criterio de inclusión: historical significance,Highly cited,SOTA improvement.
Respuestas
Pooling CNN (NORB) — preguntas comunes
Pooling CNN (NORB)— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Pooling CNN (NORB)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.5 × 10¹⁵ 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.
Pooling CNN (NORB)— ¿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.
Pooling CNN (NORB)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Pooling CNN (NORB)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 268.7K. Figure 1 C1: 2*16*5*5=800 C3: 16*64*6*6=36864 F5: 64*6*6*100=230400 F6: 100*6=600 Total: 800+36864+230400+600=268664. 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.
Pooling CNN (NORB)— ¿Quién lo creó?
Fue publicado por University of Bonn, basado en Germany, una organización categorizada como academia.
Pooling CNN (NORB)— ¿cuándo fue lanzado?
Se publicó en September 2010. 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.