Siamese-TDNN
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
- Bell Laboratories
- Szervezet típusa
- Industry
- Ország
- United States of America
- Közölt
- 1 August 1993
- Szerzők
- J. Bromley, James W. Bentz, L. Bottou, Isabelle M Guyon, Yann LeCun, C. Moore, Eduard Säckinger, Roopak Shah
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- Image classification
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
- 0.7K
- Képzési adatok
- 7,701 tokens
- Epochok
- 69
"The input is 8 by 200 units, the first convolutional layer is 6 by 192 units with each unit's receptive field covering 8 by 9 units of the input. The first averaging layer is 6 by 64 units, the second convolution layer is 4 by 57 with 6 by 8 receptive fields and the second averaging layer is 4 by 19" "Two separate sub-networks based on Time Delay Neural Networks (Lang and Hinton, 1988, Guyon et al. 1990) act on each input pattern to extract features," "All weights could be learnt, but the two s…
"We used up to 7,701 signature pairs"
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
- 1.3 × 10¹³ FLOP
- Hogyan jött létre
- Operation counting
8073216*3*7701*69=12869570138112=1.29e13 Forward pass flop: 2*(2*200*200*8*6+2*64*64*6*4)=8073216 "We used up to 7,701 signature pairs" Epochs: 69 (Table 1)
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
- Likely
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Signature Verification using a "Siamese" Time Delay Neural Network
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Honnan jött
Siamese-TDNN ki lett adva által Bell Laboratories, az országban rögzítve mint United States of America, alatt August 1993. A kiadó szervezet a következő kategóriába tartozik industry.
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.
Hogyan lett betanítva
A képzés futás körülbelül 1.3 × 10¹³ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Körülbelül egy korpuszon lett betanítva 7,701 szöveg tokenjei
Az oka, hogy egyáltalán megjelenik ebben a katalógusban: historical significance,Highly cited.
Válaszok
Siamese-TDNN — gyakori kérdések
Siamese-TDNN— Ki készítette ezt?
Kiadta Bell Laboratories, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry.
Siamese-TDNN— Mikor adták ki?
Kibocsátották a August 1993. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Siamese-TDNN— 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.
Siamese-TDNN— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.3 × 10¹³ 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.
Siamese-TDNN— 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.
Siamese-TDNN— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
Siamese-TDNN— Hány paramétere van?
Paraméterszáma 0.7K. "The input is 8 by 200 units, the first convolutional layer is 6 by 192 units with each unit's receptive field covering 8 by 9 units of the input. The first averaging layer is 6 by 64 units, the second convolution layer is 4 by 57 with 6 by 8 receptive fields and the second averaging layer is 4 by 19" "Two separate sub-networks based on Time Delay Neural Networks (Lang and Hinton, 1988, Guyon et al. 1990) act on each input pattern to extract features," "All weights could be learnt, but the two sub-networks were constrained to have identical weights." L1: H=1, W=200, C=8, K=9, D=6 L2: H=1, W=64, C=6, K=8, D=4 Parameters: 7*9*8+5*8*6=744. 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.
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..