Fisher Vector image classifier
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
- Universidad Nacional de Cordoba,Inteligent Systems Lab Amsterdam,University of Amsterdam,LEAR Team,INRIA,Xerox Research Centre Europe (XRCE)
- Tipo di organizzazione
- Academia,Academia,Academia,Academia,Industry
- Paese
- Argentina, Netherlands, France
- Pubblicato
- 12 June 2013
- Autori
- orge Sanchez, Florent Perronnin, Thomas Mensink, Jakob Verbeek
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
- 4,500,000 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
- 9.1 × 10¹³ FLOP
- Come è stato stabilito
- Hardware
They use a Intel Xeon E5-2470 Processor for 2 hours. This can do 12,617 MOps/Sec (average test results, assuming they achieved a similar utilization) https://www.cpubenchmark.net/cpu.php?cpu=Intel+Xeon+E5-2470+%40+2.30GHz&id=2003 12617000000*2*60*60=90842400000000
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Tempo di parete
- 2 hours
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 1,707
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Image Classification with the Fisher Vector: Theory and Practice
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
Fisher Vector image classifier è stato pubblicato da Universidad Nacional de Cordoba,Inteligent Systems Lab Amsterdam,University of Amsterdam,LEAR Team,INRIA,Xerox Research Centre Europe (XRCE), nel paese registrato come Argentina, durante June 2013. Esce da un'organizzazione categorizzata come academia,Academia,Academia,Academia,Industry.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image classification.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Addestramento e provenienza
Il training ha richiesto un budget di calcolo di circa 9.1 × 10¹³ 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 4,500,000 token di testo
Risposte
Fisher Vector image classifier — domande comuni
Fisher Vector image classifier— quando è stato rilasciato?
È stato pubblicato in June 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.
Fisher Vector image classifier— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di image classification. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
Fisher Vector image classifier— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 9.1 × 10¹³ 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.
Fisher Vector image classifier— 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.
Fisher Vector image classifier— 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.
Fisher Vector image classifier— 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.
Fisher Vector image classifier— chi l'ha creato?
È stato pubblicato da Universidad Nacional de Cordoba,Inteligent Systems Lab Amsterdam,University of Amsterdam,LEAR Team,INRIA,Xerox Research Centre Europe (XRCE), basato su Argentina, un'organizzazione categorizzata come academia,Academia,Academia,Academia,Industry.
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.