Decision tree (classification)
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
- Mitsubishi Electric Research Labs,Compaq CRL
- Type d'organisation
- Industry,Industry
- Pays
- United States of America
- Publié
- 8 December 2001
- Auteurs
- P. Viola, M. Jones
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision
- Tâche
- Face 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
- 12K
- Données d'entraînement
- 753,616 tokens
Iteratively learns decision tree features, where each feature has 2 parameters (threshold and parity). They learn 6000 features total: "The complete face detection cascade has 38 stages with over 6000 features" Additional weights (see Table 1) are a temporary variable of the optimization and not part of the final model.
Section 5: 4916 hand labeled faces + 9544 non-face images = 14460
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
- 6.3 × 10¹³ FLOP
- Comment cela a été établi
- Operation counting
The training compute can be tediously worked out from the pseudocode. I think for dataset size D, number of filters T, the training compute is roughly 180k * D * 3 * T = 6.3e13 FLOPs The training evaluates each of 180k candidate features at each step, repeated for 6000 steps (as 1 feature is selected per round). The operations for one feature evaluation are unclear, but should be low (they only compare specific integer positions in the image). Estimated at 10op. 180000*6000*10*14460=1.56168e+…
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
- Highly cited
- Confiance d'enregistrement
- Likely
- Citations
- 23,449
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Rapid object detection using a boosted cascade of simple features
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
Ce que ce modèle est
Decision tree (classification) a été publié par Mitsubishi Electric Research Labs,Compaq CRL, dans le pays enregistré comme United States of America, durant December 2001. Cela provient d'une organisation classée comme industry,Industry.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de face recognition.
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
La production a nécessité des calculs totalisant environ 6.3 × 10¹³ 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 753,616 jetons de texte
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : highly cited.
Réponses
Decision tree (classification) — questions courantes
Decision tree (classification)— qui l'a créé ?
Il a été publié par Mitsubishi Electric Research Labs,Compaq CRL, basé sur United States of America, une organisation catégorisée comme industry,Industry.
Decision tree (classification)— quand a-t-il été publié ?
Il a été publié dans December 2001. 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.
Decision tree (classification)— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de face recognition. 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.
Decision tree (classification)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 6.3 × 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.
Decision tree (classification)— 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.
Decision tree (classification)— 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.
Decision tree (classification)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 12K. Iteratively learns decision tree features, where each feature has 2 parameters (threshold and parity). They learn 6000 features total: "The complete face detection cascade has 38 stages with over 6000 features" Additional weights (see Table 1) are a temporary variable of the optimization and not part of the final model. 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.
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.