DNN EM segmentation
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
- IDSIA,SUPSI
- Szervezet típusa
- Academia,Academia
- Ország
- Switzerland
- Közölt
- 3 December 2012
- Szerzők
- D. Ciresan, A. Giusti, L. Gambardella, J. Schmidhuber
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- Image segmentation
- Megközelítés
- Supervised
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
- 218.9K
- Képzési adatok
- 3,000,000 tokens
- Epochok
- 30
Table 1 shows architecture 1st layer CNN: 48*4*4=768 2nd layer CNN: 48*48*5*5=57600 3rd layer CNN: 48*48*4*4=36864 4th layer CNN: 48*48*4*4=36864 1st layer FC: 48*3*3*200=86400 2nd layer FC: 200*2=400 Total parameters: 768+57600+36864+36864+86400+400=218896
[images] "This amounts to 3 million training examples in total, in which both classes are equally represented."
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
- 4.8 × 10¹⁷ FLOP
- Hogyan jött létre
- Operation counting,Hardware
"This amounts to 3 million training examples in total, in which both classes are equally represented. [...] We take advantage of this property, and synthetically augment the training set at the beginning of each epoch by randomly mirroring each training instance, and/or rotating it by ±90◦" Assuming 3 x training examples per epoch due to data augmentation Counting estimate: 1st layer CNN: 2*92*92*48*4*4=13000704 2nd layer CNN: 2*42*42*48*48*5*5=203212800 3rd layer CNN: 2*18*18*48*48*4*4=2388787…
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 580
- Használt chipek
- 4
- Fali óra idő
- 17 hours
- Teljesítményfogyasztás
- 2.1 kW
- Számítási költség
- $4
Training time for one epoch varies from approximately 170 minutes for N1 (w = 65) to 340 minutes for N4 (w = 95). All nets are trained for 30 epochs, which leads to a total training time of several days.
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Closed — provider access only
- Modell hozzáférés
- Unreleased
- Képzés kód
- Unreleased
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
- Historical significance,Highly cited
- Nyilvántartási bizalom
- Confident
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Deep Neural Networks Segment Neuronal Membranes in Electron Microscopy Images
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Erről a modelről
DNN EM segmentation ki lett adva által IDSIA,SUPSI, az országban rögzítve mint Switzerland, alatt December 2012. A kiadó kategóriája alá tartozik academia,Academia.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása image segmentation.
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Képzés és származás
A betanításhoz körülbelül egy számítási költségvetés kellett 4.8 × 10¹⁷ FLOP, hardveren rögzítve NVIDIA GeForce GTX 580. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A tanító készlet kb. futott 3,000,000 szöveg tokenjei
Az oka, hogy egyáltalán megjelenik ebben a katalógusban: historical significance,Highly cited.
Válaszok
DNN EM segmentation — gyakori kérdések
DNN EM segmentation— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot image segmentation. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
DNN EM segmentation— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 4.8 × 10¹⁷ FLOP, hardveren rögzítve NVIDIA GeForce GTX 580. 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.
DNN EM segmentation— 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.
DNN EM segmentation— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
DNN EM segmentation— Hány paramétere van?
Paraméterszáma 218.9K. Table 1 shows architecture 1st layer CNN: 48*4*4=768 2nd layer CNN: 48*48*5*5=57600 3rd layer CNN: 48*48*4*4=36864 4th layer CNN: 48*48*4*4=36864 1st layer FC: 48*3*3*200=86400 2nd layer FC: 200*2=400 Total parameters: 768+57600+36864+36864+86400+400=218896. 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.
DNN EM segmentation— Ki készítette ezt?
Kiadta IDSIA,SUPSI, alapján Switzerland, egy szervezet, amelyet kategorizáltak mint academia,Academia.
DNN EM segmentation— Mikor adták ki?
Kibocsátották a December 2012. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
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..