CNN Committee (NIST)
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
- IDSIA
- Tipo di organizzazione
- Academia
- Paese
- Switzerland
- Pubblicato
- 18 September 2011
- Autori
- D. Ciresan, U. Meier, L. Gambardella, J. Schmidhuber
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Image classification
- 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
- 128.4K
- Dati di addestramento
- 3,380,475 tokens
- Epoche
- 30
1st CNN layer: 20*4*4=320 2nd CNN layer: 20*40*9*9=64800 1st FC layer: 40*3*3*150=54000 2nd FC layer: 150*62=9300 Total : 320+64800+54000+9300=128420
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
- Operation counting,Hardware
GPU hour estimate: 30 epochs, 6 hours per network, 7 networks total 7*6*60*60*(2*1580000000000+2*1345000000000)*0.3=2.65e17 Counting estimate: 800000 training examples, 30 epochs 1st CNN layer: 2*20*26*26*4*4=432640 2nd CNN layer: 2*20*6*6*9*9*40=4665600 1st FC layer: 2*40*3*3*150=108000 2nd FC layer: 2*150*62=18600 Total: 432640+4665600+108000+18600=5224840 5224840*3*800000*30*7=2633319360000000=2.6e15 Geometric mean: sqrt(2.65e17*2.6e15)=2.6e16
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 580,NVIDIA GeForce GTX 480
- Chip utilizzati
- 4
- Tempo di parete
- 42 hours
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
- Historical significance
- Record fiducia
- Likely
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Convolutional Neural Network Committees for Handwritten Character Classification
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Da dove è venuto
CNN Committee (NIST) è stato pubblicato da IDSIA, nel paese registrato come Switzerland, durante September 2011. La categoria sotto cui rientra l'editore è academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image classification.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Cosa è stato necessario per costruirlo
Il training ha richiesto un budget di calcolo di circa 2.6 × 10¹⁶ FLOP, su hardware registrato come NVIDIA GeForce GTX 580,NVIDIA GeForce GTX 480. 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 3,380,475 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: historical significance.
Risposte
CNN Committee (NIST) — domande comuni
CNN Committee (NIST)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
CNN Committee (NIST)— quanti parametri ha?
Ha un numero di parametri di 128.4K. 1st CNN layer: 20*4*4=320 2nd CNN layer: 20*40*9*9=64800 1st FC layer: 40*3*3*150=54000 2nd FC layer: 150*62=9300 Total : 320+64800+54000+9300=128420. 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.
CNN Committee (NIST)— chi l'ha creato?
È stato pubblicato da IDSIA, basato su Switzerland, un'organizzazione categorizzata come academia.
CNN Committee (NIST)— quando è stato rilasciato?
È stato pubblicato in September 2011. 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.
CNN Committee (NIST)— 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.
CNN Committee (NIST)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.6 × 10¹⁶ FLOP, su hardware registrato come NVIDIA GeForce GTX 580,NVIDIA GeForce GTX 480. 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.
CNN Committee (NIST)— 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.