DCNN
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
- University of Maryland,Rutgers University
- Tipo di organizzazione
- Academia,Academia
- Paese
- United States of America
- Pubblicato
- 7 August 2015
- Autori
- Jun-Cheng Chen, Vishal M. Patel, Rama Chellappa
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Face verification
- Approccio
- Supervised
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.
- parametri
- 5M
- Dati di addestramento
- 490,356 tokens
- Epoche
- 26
Table 1
"The CASIA-WebFace dataset contains 494,414 face images of 10,575 subjects downloaded from the IMDB website. After removing the 27 overlapping subjects with the IJB-A dataset, there are 10548 subjects 1 and 490,356 face images."
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
- 4.8 × 10¹⁷ FLOP
- Come è stato stabilito
- Operation counting,Hardware
Total compute: 1535436288 forward pass flops *3* 1000000 iterations * 128 batch size = 589607534592000000 FLOP = 5.89607534592e17 FLOP Forward pass FLOPs based on CNN details in Table 1: Conv11: 2*3*3*32*100*100*1=5760000 Conv12: 2*3*3*64*100*100*32=368640000 Conv21: 2*3*3*64*50*50*64=184320000 Conv22: 2*3*3*64*50*50*128=368640000 Conv32: 2*3*3*128*25*25*96=138240000 Conv33: 2*3*3*96*25*25*192=207360000 Conv41: 2*3*3*192*13*13*128=74760192 Conv42: 2*3*3*128*13*13*256=99680256 Conv51: 2*3*3*256*…
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 Tesla K40c
- Chip utilizzati
- 1
- Tempo di parete
- 216 hours (9 days)
- Consumo energetico
- 286 W
"The DCNN model is trained for about 9 days using NVidia Tesla K40."
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
- Codice di addestramento
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- SOTA improvement
- Record fiducia
- Confident
https://paperswithcode.com/sota/face-verification-on-ijb-a
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Unconstrained Face Verification using Deep CNN Features
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
DCNN è stato pubblicato da University of Maryland,Rutgers University, nel paese registrato come United States of America, durante August 2015. L'organizzazione di pubblicazione è classificata come academia,Academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di face verification.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Cosa è stato necessario per costruirlo
Il training ha richiesto un budget di calcolo di circa 4.8 × 10¹⁷ FLOP, su hardware registrato come NVIDIA Tesla K40c. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
L'addestramento ha consumato un corpus di circa 490,356 token di testo
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
DCNN — domande comuni
DCNN— quando è stato rilasciato?
È stato pubblicato in August 2015. 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.
DCNN— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di face verification. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
DCNN— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 4.8 × 10¹⁷ FLOP, su hardware registrato come NVIDIA Tesla K40c. 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.
DCNN— 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.
DCNN— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
DCNN— quanti parametri ha?
Ha un numero di parametri di 5M. Table 1. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
DCNN— chi l'ha creato?
È stato pubblicato da University of Maryland,Rutgers University, basato su United States of America, un'organizzazione categorizzata come academia,Academia.
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.