SPPNet
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
- Microsoft,Xi’an Jiaotong University,University of Science and Technology of China (USTC)
- Szervezet típusa
- Industry,Academia,Academia
- Ország
- United States of America, China
- Közölt
- 18 June 2014
- Szerzők
- Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
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.
- Képzési adatok
- 1,280,000 tokens
Section 3.1: "We train the networks on the 1000-category training set of ImageNet 2012."
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 3.4 × 10¹⁸ FLOP
- Hogyan jött létre
- Hardware
"All networks in this paper can be trained on a single GeForce GTX Titan GPU (6 GB memory) within two to four weeks." 4.7e12 FLOP/s * 4* 7*24*60*60 seconds * 0.3 utilisation
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA GeForce GTX TITAN
- Fali óra idő
- 672 hours (28 days)
- Számítási költség
- $52
"All networks in this paper can be trained on a single GeForce GTX Titan GPU (6 GB memory) within two to four weeks."
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Határmodell
- Yes
- Miért követik nyomon
- Highly cited
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 12,524
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Háttér
SPPNet ki lett adva által Microsoft,Xi’an Jiaotong University,University of Science and Technology of China (USTC), az országban rögzítve mint United States of America, alatt June 2014. A kiadó kategóriája alá tartozik industry,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 betanításhoz körülbelül egy számítási költségvetés kellett 3.4 × 10¹⁸ FLOP, hardveren rögzítve NVIDIA GeForce GTX TITAN. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A tanító készlet kb. futott 1,280,000 szöveg tokenjei
A kiválasztási kritériuma: highly cited.
Válaszok
SPPNet — gyakori kérdések
SPPNet— Ki készítette ezt?
Kiadta Microsoft,Xi’an Jiaotong University,University of Science and Technology of China (USTC), alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry,Academia,Academia.
SPPNet— Mikor adták ki?
Kibocsátották a June 2014. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
SPPNet— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot image classification. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
SPPNet— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 3.4 × 10¹⁸ FLOP, hardveren rögzítve NVIDIA GeForce GTX TITAN. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
SPPNet— 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.
SPPNet— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
SPPNet— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
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..