SOM-CNN
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.
- Közölt
- 31 January 1997
- Szerzők
- S. Lawrence, C. Lee Giles, A. Tsoi, A. Back
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- Face recognition
- 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
- 32K
- Képzési adatok
- 129,000 tokens
- Epochok
- 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.
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
- 3.1 × 10¹⁰ FLOP
- Hogyan jött létre
- 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."
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- Historical significance,Highly cited
- Nyilvántartási bizalom
- Confident
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Face recognition: a convolutional neural-network approach
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Erről a modelről
SOM-CNN ki lett adva által its authors, alatt January 1997.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása face recognition.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Hogyan lett betanítva
A képzés futás körülbelül 3.1 × 10¹⁰ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A képzés körülbelül egy korpuszt fogyasztott 129,000 szöveg tokenjei
Egy különös okból nyomon követik az alapul szolgáló adatbázisban: historical significance,Highly cited.
Válaszok
SOM-CNN — gyakori kérdések
SOM-CNN— Hány paramétere van?
Paraméterszáma 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). 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.
SOM-CNN— Mikor adták ki?
Kibocsátották a January 1997. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
SOM-CNN— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot face recognition. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
SOM-CNN— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 3.1 × 10¹⁰ FLOP. 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.
SOM-CNN— 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.
SOM-CNN— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
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..