SqueezeNet
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- DeepScale,University of California (UC) Berkeley,Stanford University
- Szervezet típusa
- Academia,Academia
- Ország
- United States of America
- Közölt
- 24 February 2016
- Szerzők
- Forrest N. Iandola, Song Han, Matthew W. Moskewicz, Khalid Ashraf, William J. Dally, Kurt Keutzer
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- Image classification
- Numerikus formátum
- FP32
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Paraméterek
- 1.2M
- Képzési adatok
- 1,280,000 tokens
The paper says "SqueezeNet achieves AlexNet-level accuracy on ImageNet with 50x fewer parameters." AlexNet has 60 million parameters.
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- Highly cited
- Hivatkozások
- 8,366
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Mit jelent ez a modell
SqueezeNet ki lett adva által DeepScale,University of California (UC) Berkeley,Stanford University, az országban rögzítve mint United States of America, alatt February 2016. A kiadó kategóriája alá tartozik academia,Academia.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása image classification.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Képzés és származás
A képzés körülbelül egy korpuszt fogyasztott 1,280,000 szöveg tokenjei
Az oka, hogy egyáltalán megjelenik ebben a katalógusban: highly cited.
Válaszok
SqueezeNet — gyakori kérdések
SqueezeNet— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
SqueezeNet— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
SqueezeNet— Hány paramétere van?
Paraméterszáma 1.2M. The paper says "SqueezeNet achieves AlexNet-level accuracy on ImageNet with 50x fewer parameters." AlexNet has 60 million parameters. Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
SqueezeNet— Ki készítette ezt?
Kiadta DeepScale,University of California (UC) Berkeley,Stanford University, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia,Academia.
SqueezeNet— Mikor adták ki?
Kibocsátották a February 2016. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
SqueezeNet— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot image classification. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..