SOM-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.
- Publicado
- 31 January 1997
- Autores
- S. Lawrence, C. Lee Giles, A. Tsoi, A. Back
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Face recognition
- 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
- 32K
- Datos de entrenamiento
- 129,000 tokens
- Épocas
- 100
SOM: 125 L1: 20*3*3*3=540 L2: 25*3*3*20*0.3=1350 L3: 25*5*6*40=30000 Total: 125+540+1350+30000=32,015 (see Table 1)
"a total of 200 training images and 200 test images." but note that images are sub-sampled to smaller local windows for training.
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
- 3.1 × 10¹⁰ FLOP
- Cómo se estableció
- Operation counting
Forward pass flop based on architecture (see Table 1): First CNN layer: 23*28 -> 3*3*20 2*21*26*3*3*20=196560 Second CNN layer: 20*11*13 -> 3*3*25*0.3 2*9*11*3*3*20*25*0.3=267300 FC layer: 25*5*6 -> 40 2*25*5*6*40=60000 Total forward FLOP: 196560+267300+60000=523860 Total training compute: 523860*3*20000=31431600000 Training steps: "The network was trained with backpropagation [13] for a total of 20 000 updates."
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
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Face recognition: a convolutional neural-network approach
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
SOM-CNN fue publicado por its authors, durante January 1997.
Funciona en el dominio de Vision, y se registra como realizando la tarea de face recognition.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
El entrenamiento consumió alrededor de 3.1 × 10¹⁰ 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 129,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: historical significance,Highly cited.
Respuestas
SOM-CNN — preguntas comunes
SOM-CNN— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 32K. SOM: 125 L1: 20*3*3*3=540 L2: 25*3*3*20*0.3=1350 L3: 25*5*6*40=30000 Total: 125+540+1350+30000=32,015 (see Table 1). 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.
SOM-CNN— ¿cuándo fue lanzado?
Se publicó en January 1997. 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.
SOM-CNN— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de face recognition. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
SOM-CNN— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.1 × 10¹⁰ 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.
SOM-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.
SOM-CNN— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
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.