Hybrid CNN/SVM Object Categorizer
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
- Courant Institute of Mathematical Sciences
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 17 June 2006
- Autores
- Fu Jie Huang, Yann LeCun
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Object recognition, 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
- 3.6M
- Datos de entrenamiento
- 291,600 tokens
- Épocas
- 14
For the CNN: "In this case, the whole network has a total of 90,857 trainable parameters." For the SVM: there are 6 binary SVM models trained support vectors = 0.02x291600 dimension = 100 parameters = (0.02x291600)x100x6=3499200 Total = 3590057
"Each object is captured by a camera pair with 162 different views (9 elevations from 30◦ to 70◦ every 5◦, 18 azimuths sampled every 20◦ along the horizontal viewing circle) and under 6 different illuminations." "To generate the training set, each image was perturbed with 10 different configurations of the above parameters, which makes up 291,600 image pairs of size 108×108. The testing set has 2 drawings of perturbations, and have 58,320 pairs"
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
- 9.8 × 10¹³ FLOP
- Cómo se estableció
- Operation counting
(291,600)*(8e6)*3*14 "A full propagation of one data sample through the network requires about 4 million multiply-add operations" = 2*4e6 FLOPs "The training and testing features are extracted with the convolutional net trained after 14 passes" "The experiments here are run on a single CPU (AMD Opteron at 2GHz) with 4GB of memory"
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
- 52 hours
Train time = (5880+330 min*GHz) * (1/(CPU=2GHz) * (1 hr/60 min) = 51.75 hours
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.
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Large-scale learning with svm and convolutional nets for generic object categorization
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
Hybrid CNN/SVM Object Categorizer fue publicado por Courant Institute of Mathematical Sciences, en el país registrado como United States of America, durante June 2006. La organización editora está clasificada como academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de object recognition, Image classification.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 9.8 × 10¹³ 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 291,600 tokens de texto
Respuestas
Hybrid CNN/SVM Object Categorizer — preguntas comunes
Hybrid CNN/SVM Object Categorizer— ¿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.
Hybrid CNN/SVM Object Categorizer— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Hybrid CNN/SVM Object Categorizer— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 3.6M. For the CNN: "In this case, the whole network has a total of 90,857 trainable parameters." For the SVM: there are 6 binary SVM models trained support vectors = 0.02x291600 dimension = 100 parameters = (0.02x291600)x100x6=3499200 Total = 3590057. 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.
Hybrid CNN/SVM Object Categorizer— ¿Quién lo creó?
Fue publicado por Courant Institute of Mathematical Sciences, basado en United States of America, una organización categorizada como academia.
Hybrid CNN/SVM Object Categorizer— ¿cuándo fue lanzado?
Se publicó en June 2006. 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.
Hybrid CNN/SVM Object Categorizer— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de object recognition, 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.
Hybrid CNN/SVM Object Categorizer— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 9.8 × 10¹³ 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.
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.