Invariant CNN
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
- 27 June 2004
- Auteurs
- Yann LeCun, Fu Jie Huang, L. Bottou
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision
- Tâche
- Object recognition
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
- 90.6K
- Données d'entraînement
- 24,300 tokens
- Époques
- 10
"The network has a total of 90,575 trainable parameters."
"normalized-uniform set: 5 classes, centered, unperturbed objects on uniform backgrounds. 24,300 training samples, 24,300 testing samples."
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
- 9.7 × 10¹¹ FLOP
- Comment cela a été établi
- Operation counting
"A full propagation through the network requires 3,896,920 multiply-adds." - it's not entirely clear whether this refers to a forward pass or forward + backward pass (I assumed the latter) "We used a stochastic version of the Levenberg-Marquardt algorithm with diagonal approximation of the Hessian [7], for approximately 250,000 online updates." 3896920*250000=974230000000=9.7e11
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,Historical significance
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Learning methods for generic object recognition with invariance to pose and lighting
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
Invariant CNN a été publié par New York University (NYU), dans le pays enregistré comme United States of America, durant June 2004. Cela provient d'une organisation classée comme academia.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de object recognition.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Entraînement et provenance
L'entraînement a consommé environ 9.7 × 10¹¹ FLOP. 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 24,300 jetons de texte
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : highly cited,Historical significance.
Réponses
Invariant CNN — questions courantes
Invariant CNN— 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.
Invariant CNN— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
Invariant CNN— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 90.6K. "The network has a total of 90,575 trainable parameters.". 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.
Invariant CNN— qui l'a créé ?
Il a été publié par New York University (NYU), basé sur United States of America, une organisation catégorisée comme academia.
Invariant CNN— quand a-t-il été publié ?
Il a été publié dans June 2004. 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.
Invariant CNN— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de object recognition. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
Invariant CNN— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 9.7 × 10¹¹ 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.
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.