DCNN
Aucune estimation
Aucun besoin matériel pour ce modèle
Les poids de ce modèle n'ont pas été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel, quelle que soit la taille. Il n'est accessible que via son fournisseur, et aucune carte graphique ne change cela.
Enregistrement terminé
Spécification complète
Tout ce qui concerne ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — contexte utile pour évaluer le travail fourni et sa comparaison avec des modèles construits à une échelle différente.
Origine
Qui a construit ce modèle, où et quand il a été publié.
- Organisation
- University of Maryland,Rutgers University
- Type d'organisation
- Academia,Academia
- Pays
- United States of America
- Publié
- 7 August 2015
- Auteurs
- Jun-Cheng Chen, Vishal M. Patel, Rama Chellappa
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut en porter plusieurs de chacun.
- Domaine
- Vision
- Tâche
- Face verification
- Approach
- Supervised
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui détermine s'il tient sur une carte graphique donnée.
- Paramètres
- 5M
- Données d'entraînement
- 490,356 tokens
- Époques
- 26
Table 1
"The CASIA-WebFace dataset contains 494,414 face images of 10,575 subjects downloaded from the IMDB website. After removing the 27 overlapping subjects with the IJB-A dataset, there are 10548 subjects 1 and 490,356 face images."
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations à virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, et non de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 4.8 × 10¹⁷ FLOP
- Comment cela a été établi
- Operation counting,Hardware
Total compute: 1535436288 forward pass flops *3* 1000000 iterations * 128 batch size = 589607534592000000 FLOP = 5.89607534592e17 FLOP Forward pass FLOPs based on CNN details in Table 1: Conv11: 2*3*3*32*100*100*1=5760000 Conv12: 2*3*3*64*100*100*32=368640000 Conv21: 2*3*3*64*50*50*64=184320000 Conv22: 2*3*3*64*50*50*128=368640000 Conv32: 2*3*3*128*25*25*96=138240000 Conv33: 2*3*3*96*25*25*192=207360000 Conv41: 2*3*3*192*13*13*128=74760192 Conv42: 2*3*3*128*13*13*256=99680256 Conv51: 2*3*3*256*…
L'entraînement
Ce qu'il a physiquement fallu pour entraîner : quels puces, combien, pendant combien de temps, et ce que cela a tiré du mur.
- Matériel d'entraînement
- NVIDIA Tesla K40c
- Chips utilisés
- 1
- Wall-clock time
- 216 hours (9 days)
- Consommation d'énergie
- 286 W
"The DCNN model is trained for about 9 days using NVidia Tesla K40."
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui décide si l'une des chiffres de carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Unreleased
Comment il est classé
Étiquettes que le jeu de données source applique lors du suivi des modèles notables, et à quel point il est confiant dans l'entrée.
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- Confident
https://paperswithcode.com/sota/face-verification-on-ijb-a
Sources
D'où provient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Unconstrained Face Verification using Deep CNN Features
- Dernière mise à jour
- 28 November 2025
Ce que signifient les chiffres
À propos de ce modèle
DCNN was published by University of Maryland,Rutgers University, in United States of America, in August 2015. The organisation is categorised as academia,Academia.
It works in Vision, and is recorded as doing face verification.
Ses poids n'ont jamais été publiés, donc on ne peut y accéder que par son fournisseur. Aucun changement de carte graphique ne change cela.
Ce qui a contribué à sa construction
Training it took roughly 4.8 × 10¹⁷ FLOP of computation, on NVIDIA Tesla K40c — a measure of what producing the model cost, not of how fast it answers.
Around 490,356 tokens went into training it.
The reason it appears in this catalogue at all is sOTA improvement.
Réponses
DCNN — Questions fréquentes
When was DCNN released?
DCNN was published in August 2015. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is DCNN used for?
DCNN works in Vision, and is recorded as handling face verification. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train DCNN?
Around 4.8 × 10¹⁷ FLOP, on NVIDIA Tesla K40c. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run DCNN?
None. DCNN is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is DCNN open source?
No. DCNN has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does DCNN have?
DCNN has 5M parameters. Table 1. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created DCNN?
DCNN was published by University of Maryland,Rutgers University, based in United States of America, categorised as academia,Academia.
Dans l'autre sens
Regardez-la de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez connaître tout ce qu'elle pourra exécuter, commencez plutôt par le matériel.