Two Stage Feature Extraction (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
- New York University (NYU)
- Type d'organisation
- Academia
- Pays
- United States of America
- Publié
- 1 September 2009
- Auteurs
- Kevin Jarrett, K. Kavukcuoglu, Marc'Aurelio Ranzato, Yann LeCun
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
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
- 258.8K
- Données d'entraînement
- 50,000 tokens
- Époques
- 33
CNN: 32*5*5+32*64*5*5=52000 FC: 1024*200+200*10=206800 Total: 52000+206800=258800
"experiments were run on the MNIST dataset, which contains 60,000 gray-scale 28x28 pixel digit images for training and 10,000 images for testing"
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
- 2.1 × 10¹³ FLOP
- Comment cela a été établi
- Operation counting
Assuming no padding and stride 1 “on the 50,000 non-validation training samples until the best error rate on the validation set was reached (this took 30 epochs)“ First CNN layer: 2*32*24*24*5*5=921600 Second CNN layer: 2*64*16*5*5*8*8=3276800 First FC layer: 2*4*4*64*200=409600 Second FC layer: 2*200*10=4000 Total forward FLOP: 921600+3276800+409600+4000=4612000 Totral training compute: 4612000*3*30*50000=20754000000000 They train another model in this paper that I think is at least an order o…
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
- Highly cited,SOTA improvement
- Confiance d'enregistrement
- Confident
They claim SOTA performance on the MNIST and NORB datasets. Is also highly cited
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- What is the best multi-stage architecture for object recognition?
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
À propos de ce modèle
Two Stage Feature Extraction (MNIST) a été publié par New York University (NYU), dans le pays enregistré comme United States of America, durant September 2009. 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.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Comment il a été entraîné
L'entraînement a consommé environ 2.1 × 10¹³ 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 50,000 jetons de texte
La raison pour laquelle il apparaît dans ce catalogue. highly cited,SOTA improvement.
Réponses
Two Stage Feature Extraction (MNIST) — questions courantes
Two Stage Feature Extraction (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.
Two Stage Feature Extraction (MNIST)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 258.8K. CNN: 32*5*5+32*64*5*5=52000 FC: 1024*200+200*10=206800 Total: 52000+206800=258800. 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.
Two Stage Feature Extraction (MNIST)— qui l'a créé ?
Il a été publié par New York University (NYU), basé sur United States of America, une organisation catégorisée comme academia.
Two Stage Feature Extraction (MNIST)— quand a-t-il été publié ?
Il a été publié dans September 2009. 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.
Two Stage Feature Extraction (MNIST)— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de image classification. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
Two Stage Feature Extraction (MNIST)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.1 × 10¹³ 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.
Two Stage Feature Extraction (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.