Hierarchical Scene Labeling (Stanford Background)
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
- New York University (NYU)
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 1 August 2013
- Autori
- Clement Farabet; Camille Couprie; Laurent Najman; Yann LeCun
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Semantic segmentation
- 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
- 51.6M
- Dati di addestramento
- 71,380,800 tokens
Figure 1 details architecture, weights are shared between scales “The network is then applied to each 3-dimension input map Xs. This input is transformed into a 16-dimension feature map, using a bank of 16 filters, 10 connected to the Y channel, the 6 others connected to the U and V channels. The second layer transforms this 16-dimension feature map into a 64-dimension feature map, each map being produced by a combination of 8 randomly selected feature maps from the previous layer. Finally the 6…
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
- 2.4 × 10¹⁷ FLOP
- Come è stato stabilito
- Operation counting
Forward FLOP Split for the three sizes F1: L1: 2*1*7*7*10*320*240+2*2*7*7*6*320*240=165580800 L2: 2*8*64*7*7*160*120=963379200 FC: 2*32*80*60*256=78643200 F2: L1: 2*1*7*7*10*160*120+2*2*7*7*6*160*120=41395200 L2: 2*8*64*7*7*80*60=240844800 FC: 2*32*40*30*256=19660800 F3: L1: 2*1*7*7*10*80*60+2*2*7*7*6*80*60=10348800 L2: 2*8*64*7*7*40*30=60211200 FC: 2*32*20*15*256=4915200 Total: 165580800+963379200+78643200+41395200+240844800+19660800+10348800+60211200+4915200=1584979200 Training compute: 15849…
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Chip utilizzati
- 1
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
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- Highly cited,Historical significance
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Learning Hierarchical Features for Scene Labeling
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Informazioni su questo modello
Hierarchical Scene Labeling (Stanford Background) è stato pubblicato da New York University (NYU), nel paese registrato come United States of America, durante August 2013. Esce da un'organizzazione categorizzata come academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di semantic segmentation.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Come è stato addestrato
La produzione di esso ha richiesto un'aritmetica totale di circa 2.4 × 10¹⁷ FLOP. 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 71,380,800 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: highly cited,Historical significance.
Risposte
Hierarchical Scene Labeling (Stanford Background) — domande comuni
Hierarchical Scene Labeling (Stanford Background)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Hierarchical Scene Labeling (Stanford Background)— quanti parametri ha?
Ha un numero di parametri di 51.6M. Figure 1 details architecture, weights are shared between scales “The network is then applied to each 3-dimension input map Xs. This input is transformed into a 16-dimension feature map, using a bank of 16 filters, 10 connected to the Y channel, the 6 others connected to the U and V channels. The second layer transforms this 16-dimension feature map into a 64-dimension feature map, each map being produced by a combination of 8 randomly selected feature maps from the previous layer. Finally the 64-dimension feature map is transformed into a 256-dimension feature map, each map being produced by a combination of 32 randomly selected feature maps from the previous layer.” L1: 1*7*7*10+2*7*7*6=1078 L2: 8*64*7*7=25088 FC head is split for the three networks (assumption) FC: 32*80*60*256+32*40*30*256+32*20*15*256=51609600 This is a very different estimate to the 0.5M trainable parameters mentioned in the paper(!) "The convolutional network has roughly 0.5 million trainable parameters". 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.
Hierarchical Scene Labeling (Stanford Background)— chi l'ha creato?
È stato pubblicato da New York University (NYU), basato su United States of America, un'organizzazione categorizzata come academia.
Hierarchical Scene Labeling (Stanford Background)— quando è stato rilasciato?
È stato pubblicato in August 2013. 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.
Hierarchical Scene Labeling (Stanford Background)— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di semantic segmentation. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
Hierarchical Scene Labeling (Stanford Background)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.4 × 10¹⁷ FLOP. 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.
Hierarchical Scene Labeling (Stanford Background)— 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.
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.