Pooling CNN (Caltech 101)
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
- University of Bonn
- Type d'organisation
- Academia
- Pays
- Germany
- Publié
- 15 September 2010
- Auteurs
- Dominik Scherer, Andreas C. Müller, Sven Behnke
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
- 294.9K
- Données d'entraînement
- 3,060 tokens
- Époques
- 300
C1: 3*16*16*16=12288 C3: 16*128*6*6=73728 F5: 128*4*4*102=208896 Total: 12288+73728+208896=294912
30 * 102 = 3060
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
- 1.2 × 10¹⁵ FLOP
- Comment cela a été établi
- Operation counting
Forward FLOP C1: 2*3*16*16*16*125*125=384000000 C3: 2*16*128*6*6*20*20=58982400 F5: 2*128*4*4*102=417792 Total: 384000000+58982400+417792=443400192 300 epochs 30*102=3060 training examples 443400192*3*3060*300=1221124128768000=1.2e15
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
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.
- Pourquoi c'est suivi
- Historical significance,Highly cited,SOTA improvement
- Confiance d'enregistrement
- Confident
"we achieve state-of-the-art error rates of 4.57% on the NORB normalized-uniform dataset and 5.6% on the NORB jittered-cluttered dataset."
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Evaluation of Pooling Operations in Convolutional Architectures for Object Recognition
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
Ce que ce modèle est
Pooling CNN (Caltech 101) a été publié par University of Bonn, dans le pays enregistré comme Germany, durant September 2010. La catégorie à laquelle appartient l'éditeur est academia.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de 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.
Entraînement et provenance
La production a nécessité des calculs totalisant environ 1.2 × 10¹⁵ FLOP. 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 3,060 jetons de texte
Son critère d'inclusion : historical significance,Highly cited,SOTA improvement.
Réponses
Pooling CNN (Caltech 101) — questions courantes
Pooling CNN (Caltech 101)— quand a-t-il été publié ?
Il a été publié dans September 2010. 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.
Pooling CNN (Caltech 101)— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de image classification. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
Pooling CNN (Caltech 101)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.2 × 10¹⁵ 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.
Pooling CNN (Caltech 101)— 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.
Pooling CNN (Caltech 101)— 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.
Pooling CNN (Caltech 101)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 294.9K. C1: 3*16*16*16=12288 C3: 16*128*6*6=73728 F5: 128*4*4*102=208896 Total: 12288+73728+208896=294912. 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.
Pooling CNN (Caltech 101)— qui l'a créé ?
Il a été publié par University of Bonn, basé sur Germany, une organisation catégorisée comme academia.
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.