DCNN
Nincs becslés
Ennekhez a modellhez nincs hardverkövetelmény
A modellhez tartozó súlyokat nem tették közzé, így azt semmilyen méretben nem lehet letölteni vagy saját hardveren futtatni. Csak az adattovábbítóján keresztül érhető el, és semmilyen grafikus kártya nem változtat ezen..
Felvételen
Teljes specifikáció
Minden adatok ezen a modellen. A legtöbb leírás arról szól, hogyan volt kiképzve, nem pedig arról, hogyan fut — hasznos háttérinformáció arra vonatkozóan, hogy mennyi munka került bele, és hogyan viszonyul más méretű modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- University of Maryland,Rutgers University
- Szervezet típusa
- Academia,Academia
- Ország
- United States of America
- Kiadva
- 7 August 2015
- Szerzők
- Jun-Cheng Chen, Vishal M. Patel, Rama Chellappa
Mit csinál
A modell által épített probléma területek. Egy modell több különbözőt is tartalmazhat.
- Irányítószám
- Vision
- Feladat
- Face verification
- Approach
- Supervised
Méret
Mekkora a modell és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek meghatározzák, hogy illeszkedik-e egy adott grafikus kártyára.
- Paraméterek
- 5M
- Képzési adatok
- 490,356 tokens
- Epókák
- 26
Table 1
"The CASIA-WebFace dataset contains 494,414 face images of 10,575 subjects downloaded from the IMDB website. After removing the 27 overlapping subjects with the IJB-A dataset, there are 10548 subjects 1 and 490,356 face images."
Képzés számítás
A modell betanításához végzett aritmetikai műveletek, amelyet lebegőpontos műveletekben mérnek. Ez a tréning futásának költségét méri, nem azt, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 4.8 × 10¹⁷ FLOP
- Hogyan jött létre
- Operation counting,Hardware
Total compute: 1535436288 forward pass flops *3* 1000000 iterations * 128 batch size = 589607534592000000 FLOP = 5.89607534592e17 FLOP Forward pass FLOPs based on CNN details in Table 1: Conv11: 2*3*3*32*100*100*1=5760000 Conv12: 2*3*3*64*100*100*32=368640000 Conv21: 2*3*3*64*50*50*64=184320000 Conv22: 2*3*3*64*50*50*128=368640000 Conv32: 2*3*3*128*25*25*96=138240000 Conv33: 2*3*3*96*25*25*192=207360000 Conv41: 2*3*3*192*13*13*128=74760192 Conv42: 2*3*3*128*13*13*256=99680256 Conv51: 2*3*3*256*…
A képzési futam
A kiképzéshez fizikailag szükséges volt: milyen chipek, hány, meddig és mennyi áramot vett le a hálózatról.
- Képzési hardver
- NVIDIA Tesla K40c
- Felhasznált chipek
- 1
- Wall-clock time
- 216 hours (9 days)
- Energiafogyasztás
- 286 W
"The DCNN model is trained for about 9 days using NVidia Tesla K40."
Elérhetőség
Hogy megszerezheted-e a modellt és futtathatod a saját hardvereden, ami eldönti, hogy a ezen az oldalon szereplő grafikus kártyák adatai alkalmazhatóak-e.
- Súlyok
- Closed — provider access only
- Modell hozzáférés
- Unreleased
- Képzés kód
- Unreleased
Hogyan van besorolva
Címkék, amelyeket a forráshalmaz alkalmaz, amikor figyelemmel kíséri a figyelemre méltó modelleket, és mennyire biztos a bejegyzésben.
- Miért követik nyomon
- SOTA improvement
- Rögzítési bizalom
- Confident
https://paperswithcode.com/sota/face-verification-on-ijb-a
Források
Honnan származik ez a rekord és mikor ellenőrizték utoljára.
- Referencia
- Unconstrained Face Verification using Deep CNN Features
- Utoljára frissítve
- 28 November 2025
Mit jelentek a számok
Erről a modellről
DCNN was published by University of Maryland,Rutgers University, in United States of America, in August 2015. The organisation is categorised as academia,Academia.
It works in Vision, and is recorded as doing face verification.
Súlyait soha nem publikálták, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, amely ezt megváltoztatja.
Mi került a megépítésébe
Training it took roughly 4.8 × 10¹⁷ FLOP of computation, on NVIDIA Tesla K40c — a measure of what producing the model cost, not of how fast it answers.
Around 490,356 tokens went into training it.
The reason it appears in this catalogue at all is sOTA improvement.
Válaszok
DCNN — Gyakran ismételt kérdések
When was DCNN released?
DCNN was published in August 2015. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is DCNN used for?
A DCNN a Vision területén működik, és az arcfelismerés kezeléséről van szó. A modellek gyakran több mint egyet tartalmaznak, és a címkék a célt írják le, nem pedig a képességeket korlátozó határokat.
How much compute was used to train DCNN?
Around 4.8 × 10¹⁷ FLOP, on NVIDIA Tesla K40c. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run DCNN?
None. DCNN is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is DCNN open source?
No. DCNN has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does DCNN have?
DCNN has 5M parameters. Table 1. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created DCNN?
DCNN was published by University of Maryland,Rutgers University, based in United States of America, categorised as academia,Academia.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már rendelkezik egy kártyával és szeretné tudni, hogy minden mit fog futtatni, kérjük, folytassa., kezdje a hardverrel inkább.