MCDNN (MNIST)
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
- 13 February 2012
- Auteurs
- Dan Cireşan, Ueli Meier, Juergen 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
- Character recognition (OCR), Image classification
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
- 2.7M
- Données d'entraînement
- 2,100,000 tokens
- Époques
- 800
"We train five DNN columns per normalization, resulting in a total of 35 columns for the entire MCDNN. [Each DNN has an architecture] 1x29x29-20C4-MP2-40C5-MP3-150N-10N DNN" Parameter calculation: 20*4*4+20*40*5*5+150*40*3*3+10*150=75820 35*75820=2653700
The MNIST database contains 60,000 training images and 10,000 testing images (Wikipedia)
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
- 1.6 × 10¹⁶ FLOP
- Comment cela a été établi
- Operation counting
Num of multiply-adds per forward pass 2 FLOPs/mult-add 3 (fp+bp FLOPs / fp FLOPs) 800 epochs 60.000 training size 35 networks "Training a DNN takes almost 14 hours and after 500 training epochs little additional improvement is observed" 500*60000*3*174147400=1.57e+16
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.
- Confiance d'enregistrement
- Likely
- Citations
- 4,828
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Multi-column Deep Neural Networks for Image Classification
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
Contexte
MCDNN (MNIST) a été publié par IDSIA,SUPSI, dans le pays enregistré comme Switzerland, durant February 2012. Cela provient d'une organisation classée comme academia,Academia.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de character recognition (OCR), Image classification.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Comment il a été entraîné
La production a nécessité des calculs totalisant environ 1.6 × 10¹⁶ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'entraînement a consommé un corpus d'environ 2,100,000 jetons de texte
Réponses
MCDNN (MNIST) — questions courantes
MCDNN (MNIST)— 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.
MCDNN (MNIST)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 2.7M. "We train five DNN columns per normalization, resulting in a total of 35 columns for the entire MCDNN. [Each DNN has an architecture] 1x29x29-20C4-MP2-40C5-MP3-150N-10N DNN" Parameter calculation: 20*4*4+20*40*5*5+150*40*3*3+10*150=75820 35*75820=2653700. 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.
MCDNN (MNIST)— qui l'a créé ?
Il a été publié par IDSIA,SUPSI, basé sur Switzerland, une organisation catégorisée comme academia,Academia.
MCDNN (MNIST)— quand a-t-il été publié ?
Il a été publié dans February 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.
MCDNN (MNIST)— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de character recognition (OCR), Image classification. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
MCDNN (MNIST)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.6 × 10¹⁶ FLOP. 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.
MCDNN (MNIST)— 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.
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.