SOM-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.
- Publié
- 31 January 1997
- Auteurs
- S. Lawrence, C. Lee Giles, A. Tsoi, A. Back
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
- 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
- 32K
- Données d'entraînement
- 129,000 tokens
- Époques
- 100
SOM: 125 L1: 20*3*3*3=540 L2: 25*3*3*20*0.3=1350 L3: 25*5*6*40=30000 Total: 125+540+1350+30000=32,015 (see Table 1)
"a total of 200 training images and 200 test images." but note that images are sub-sampled to smaller local windows for training.
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
- 3.1 × 10¹⁰ FLOP
- Comment cela a été établi
- Operation counting
Forward pass flop based on architecture (see Table 1): First CNN layer: 23*28 -> 3*3*20 2*21*26*3*3*20=196560 Second CNN layer: 20*11*13 -> 3*3*25*0.3 2*9*11*3*3*20*25*0.3=267300 FC layer: 25*5*6 -> 40 2*25*5*6*40=60000 Total forward FLOP: 196560+267300+60000=523860 Total training compute: 523860*3*20000=31431600000 Training steps: "The network was trained with backpropagation [13] for a total of 20 000 updates."
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
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Face recognition: a convolutional neural-network approach
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
SOM-CNN a été publié par its authors, durant January 1997.
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
L'entraînement a consommé environ 3.1 × 10¹⁰ 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 129,000 jetons de texte
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : historical significance,Highly cited.
Réponses
SOM-CNN — questions courantes
SOM-CNN— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 32K. SOM: 125 L1: 20*3*3*3=540 L2: 25*3*3*20*0.3=1350 L3: 25*5*6*40=30000 Total: 125+540+1350+30000=32,015 (see Table 1). 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.
SOM-CNN— quand a-t-il été publié ?
Il a été publié dans January 1997. 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.
SOM-CNN— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de face recognition. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
SOM-CNN— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.1 × 10¹⁰ 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.
SOM-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.
SOM-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.
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.