CNN Committee (MNIST)

Poids fermés IDSIA 120.6K paramètres September 2011

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..

Parcourez les modèles que vous pouvez exécuter à la place

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
Type d'organisation: Academia
Pays: Switzerland
Publié: 18 September 2011
Auteurs: D. Ciresan, U. Meier, 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 classification
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: 120.6K
Données d'entraînement: 420,000 tokens
Époques: 800

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: 5.2 × 10¹⁶ FLOP
Comment cela a été établi: Hardware,Operation counting

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,NVIDIA GeForce GTX 480
Chips utilisés: 4
Temps en temps réel: 98 hours

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
Confiance d'enregistrement: Likely

Sources

D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.

Référence: Convolutional Neural Network Committees for Handwritten Character Classification
Dernière mise à jour: 11 February 2026

Ce que les chiffres signifient

À propos de ce modèle

CNN Committee (MNIST) a été publié par IDSIA, dans le pays enregistré comme Switzerland, durant September 2011. L'organisation de publication est catégorisée comme academia.

Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de image classification.

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.

Qu'est-ce qui a été nécessaire pour le construire

L'entraînement a nécessité un budget de calcul d'environ 5.2 × 10¹⁶ FLOP, sur matériel enregistré comme NVIDIA GeForce GTX 580,NVIDIA GeForce GTX 480. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.

Il a été entraîné sur un corpus d'environ 420,000 jetons de texte

Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : historical significance.

Réponses

CNN Committee (MNIST) — questions courantes

CNN Committee (MNIST)— qui l'a créé ?

Il a été publié par IDSIA, basé sur Switzerland, une organisation catégorisée comme academia.

CNN Committee (MNIST)— quand a-t-il été publié ?

Il a été publié dans September 2011. 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.

CNN Committee (MNIST)— à quoi ça sert ?

Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de 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.

CNN Committee (MNIST)— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 5.2 × 10¹⁶ FLOP, sur matériel enregistré comme NVIDIA GeForce GTX 580,NVIDIA GeForce GTX 480. 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.

CNN Committee (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.

CNN Committee (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.

CNN Committee (MNIST)— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 120.6K. 1st CNN layer: 20*4*4=320 2nd CNN layer: 20*40*9*9=64800 1st FC layer: 40*3*3*150=54000 2nd FC layer: 150*10=1500 Total: 320+64800+54000+1500=120620. 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.

Source

Publication originale

Dernière mise à jour enregistrée 11 February 2026

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.

Tous les modèles AI