DNN EM segmentation
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- IDSIA,SUPSI
- Type d'organisation
- Academia,Academia
- Pays
- Switzerland
- Publié
- 3 December 2012
- Auteurs
- D. Ciresan, A. Giusti, L. Gambardella, J. Schmidhuber
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision
- Tâche
- Image segmentation
- Approche
- Supervised
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 218.9K
- Données d'entraînement
- 3,000,000 tokens
- Époques
- 30
Table 1 shows architecture 1st layer CNN: 48*4*4=768 2nd layer CNN: 48*48*5*5=57600 3rd layer CNN: 48*48*4*4=36864 4th layer CNN: 48*48*4*4=36864 1st layer FC: 48*3*3*200=86400 2nd layer FC: 200*2=400 Total parameters: 768+57600+36864+36864+86400+400=218896
[images] "This amounts to 3 million training examples in total, in which both classes are equally represented."
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas 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
"This amounts to 3 million training examples in total, in which both classes are equally represented. [...] We take advantage of this property, and synthetically augment the training set at the beginning of each epoch by randomly mirroring each training instance, and/or rotating it by ±90◦" Assuming 3 x training examples per epoch due to data augmentation Counting estimate: 1st layer CNN: 2*92*92*48*4*4=13000704 2nd layer CNN: 2*42*42*48*48*5*5=203212800 3rd layer CNN: 2*18*18*48*48*4*4=2388787…
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA GeForce GTX 580
- Chips utilisés
- 4
- Temps en temps réel
- 17 hours
- Consommation d'énergie
- 2.1 kW
- Coût de calcul
- $4
Training time for one epoch varies from approximately 170 minutes for N1 (w = 65) to 340 minutes for N4 (w = 95). All nets are trained for 30 epochs, which leads to a total training time of several days.
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la 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 ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Modèle Frontier
- Yes
- Pourquoi c'est suivi
- Historical significance,Highly cited
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Deep Neural Networks Segment Neuronal Membranes in Electron Microscopy Images
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
DNN EM segmentation a été publié par IDSIA,SUPSI, dans le pays enregistré comme Switzerland, durant December 2012. La catégorie à laquelle appartient l'éditeur est academia,Academia.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de image segmentation.
Ses poids n'ont jamais été publiés, donc il ne peut être atteint que par son fournisseur. Aucun changement de carte graphique ne change cela.
Entraînement et provenance
L'entraînement a nécessité un budget de calcul d'environ 4.8 × 10¹⁷ FLOP, sur matériel enregistré comme NVIDIA GeForce GTX 580. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'ensemble d'entraînement a duré environ 3,000,000 jetons de texte
La raison pour laquelle il apparaît dans ce catalogue. historical significance,Highly cited.
Réponses
DNN EM segmentation — questions courantes
DNN EM segmentation— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de image segmentation. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
DNN EM segmentation— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 4.8 × 10¹⁷ FLOP, sur matériel enregistré comme NVIDIA GeForce GTX 580. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
DNN EM segmentation— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
DNN EM segmentation— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
DNN EM segmentation— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 218.9K. Table 1 shows architecture 1st layer CNN: 48*4*4=768 2nd layer CNN: 48*48*5*5=57600 3rd layer CNN: 48*48*4*4=36864 4th layer CNN: 48*48*4*4=36864 1st layer FC: 48*3*3*200=86400 2nd layer FC: 200*2=400 Total parameters: 768+57600+36864+36864+86400+400=218896. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
DNN EM segmentation— qui l'a créé ?
Il a été publié par IDSIA,SUPSI, basé sur Switzerland, une organisation catégorisée comme academia,Academia.
DNN EM segmentation— quand a-t-il été publié ?
Il a été publié dans December 2012. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.