SVM-CNN
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
- New York University (NYU)
- 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
- 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
- 90.9K
- Datos de entrenamiento
- 583,200 tokens
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
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
- 7.5 × 10¹⁴ FLOP
- Cómo se estableció
- Hardware
Training time: 5880+330=6210 minutes (Table 1) “The timing is normalized to hypothetical 1GHz single CPU.” Assuming utilization of 0.5 and AMD Athlon 64 Processor with 4 FLOP/cycle Compute: 6210*60*4*1000000000*0.5=745200000000000 = 7.4e14
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Chips utilizados
- 1
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.
- Modelo Frontier
- Yes
- Por qué se rastrea
- Historical significance
- 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 for Generic Object Categorization
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
SVM-CNN fue publicado por New York University (NYU), en el país registrado como United States of America, durante June 2006. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification.
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 7.5 × 10¹⁴ 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 583,200 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: historical significance.
Respuestas
SVM-CNN — preguntas comunes
SVM-CNN— ¿Quién lo creó?
Fue publicado por New York University (NYU), basado en United States of America, una organización categorizada como academia.
SVM-CNN— ¿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.
SVM-CNN— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
SVM-CNN— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 7.5 × 10¹⁴ 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.
SVM-CNN— ¿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.
SVM-CNN— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
SVM-CNN— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 90.9K. 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.