Refined Part Pooling
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Tsinghua University,University of Technology Sydney,University of Texas at San Antonio
- Tipo di organizzazione
- Academia,Academia,Academia
- Paese
- China, Australia, United States of America
- Pubblicato
- 9 January 2018
- Autori
- Yifan Sun, Liang Zheng, Yi Yang, Qi Tian, Shengjin Wang
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Person retrieval
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- Dati di addestramento
- 77,616 tokens
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 2.6 × 10¹⁶ FLOP
- Come è stato stabilito
- Hardware
12150000000000*3600*2*0.3=2.6244e+16 FLOP
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA TITAN Xp
- Chip utilizzati
- 2
- Tempo di parete
- 1 hours
- Consumo energetico
- 1.0 kW
"With two NVIDIA TITAN XP GPUs and Pytorch as the platform, training an IDE model and a standard PCB on Market-1501 (12,936 training images) consumes about 40 and 50 minutes, respectively"
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 2,377
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Beyond Part Models: Person Retrieval with Refined Part Pooling (and a Strong Convolutional Baseline)
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
Refined Part Pooling è stato pubblicato da Tsinghua University,University of Technology Sydney,University of Texas at San Antonio, nel paese registrato come China, durante January 2018. Esce da un'organizzazione categorizzata come academia,Academia,Academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di person retrieval.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Come è stato addestrato
La produzione di esso ha richiesto un'aritmetica totale di circa 2.6 × 10¹⁶ FLOP, su hardware registrato come NVIDIA TITAN Xp. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 77,616 token di testo
Risposte
Refined Part Pooling — domande comuni
Refined Part Pooling— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.6 × 10¹⁶ FLOP, su hardware registrato come NVIDIA TITAN Xp. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
Refined Part Pooling— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
Refined Part Pooling— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
Refined Part Pooling— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
Refined Part Pooling— chi l'ha creato?
È stato pubblicato da Tsinghua University,University of Technology Sydney,University of Texas at San Antonio, basato su China, un'organizzazione categorizzata come academia,Academia,Academia.
Refined Part Pooling— quando è stato rilasciato?
È stato pubblicato in January 2018. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
Refined Part Pooling— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di person retrieval. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.