SPPNet
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
- Microsoft,Xi’an Jiaotong University,University of Science and Technology of China (USTC)
- Tipo di organizzazione
- Industry,Academia,Academia
- Paese
- United States of America, China
- Pubblicato
- 18 June 2014
- Autori
- Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Image classification
- Formato numerico
- FP32
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
- 1,280,000 tokens
Section 3.1: "We train the networks on the 1000-category training set of ImageNet 2012."
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
- 3.4 × 10¹⁸ FLOP
- Come è stato stabilito
- Hardware
"All networks in this paper can be trained on a single GeForce GTX Titan GPU (6 GB memory) within two to four weeks." 4.7e12 FLOP/s * 4* 7*24*60*60 seconds * 0.3 utilisation
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 GeForce GTX TITAN
- Tempo di parete
- 672 hours (28 days)
- Costo di calcolo
- $52
"All networks in this paper can be trained on a single GeForce GTX Titan GPU (6 GB memory) within two to four weeks."
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Modello Frontier
- Yes
- Perché è monitorato
- Highly cited
- Record fiducia
- Confident
- Citazioni
- 12,524
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Sfondo
SPPNet è stato pubblicato da Microsoft,Xi’an Jiaotong University,University of Science and Technology of China (USTC), nel paese registrato come United States of America, durante June 2014. La categoria sotto cui rientra l'editore è industry,Academia,Academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image classification.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Addestramento e provenienza
Il training ha richiesto un budget di calcolo di circa 3.4 × 10¹⁸ FLOP, su hardware registrato come NVIDIA GeForce GTX TITAN. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il set di addestramento si aggirava attorno a 1,280,000 token di testo
Il suo criterio di inclusione: highly cited.
Risposte
SPPNet — domande comuni
SPPNet— chi l'ha creato?
È stato pubblicato da Microsoft,Xi’an Jiaotong University,University of Science and Technology of China (USTC), basato su United States of America, un'organizzazione categorizzata come industry,Academia,Academia.
SPPNet— quando è stato rilasciato?
È stato pubblicato in June 2014. 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.
SPPNet— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di image classification. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
SPPNet— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.4 × 10¹⁸ FLOP, su hardware registrato come NVIDIA GeForce GTX TITAN. 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.
SPPNet— 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.
SPPNet— 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.
SPPNet— 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.
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.