LCNP LabelMe
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 Bonn
- Tipo di organizzazione
- Academia
- Paese
- Germany
- Pubblicato
- 22 November 2009
- Autori
- Rafael Uetz, Sven Behnke
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Object recognition
- 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
- 13.7M
- Dati di addestramento
- 40,000 tokens
- Epoche
- 1,000
Locally connected: 128*128*4*4*4*7 + 64*64*8*4*4*4 + 32*32*16*4*4*8 + 16*16*32*4*4*16=13631488 Classification head: 16*16*32*12=98304 Total: 13631488+98304=13729792 "five regular layers with the dimensions 256×256, 128×128, . . ., 16×16." "size of the receptive field to be 4 × 4 neurons"
Table 1
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
- 3.3 × 10¹⁵ FLOP
- Come è stato stabilito
- Operation counting
2*13729792*3*40000*1000=3295150080000000
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
- Historical significance
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Large-scale object recognition with CUDA-accelerated hierarchical neural networks
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
LCNP LabelMe è stato pubblicato da University of Bonn, nel paese registrato come Germany, durante November 2009. La categoria sotto cui rientra l'editore è academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di object recognition.
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 3.3 × 10¹⁵ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 40,000 token di testo
Il motivo per cui appare in questo catalogo è: historical significance.
Risposte
LCNP LabelMe — domande comuni
LCNP LabelMe— 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.
LCNP LabelMe— quanti parametri ha?
Ha un numero di parametri di 13.7M. Locally connected: 128*128*4*4*4*7 + 64*64*8*4*4*4 + 32*32*16*4*4*8 + 16*16*32*4*4*16=13631488 Classification head: 16*16*32*12=98304 Total: 13631488+98304=13729792 "five regular layers with the dimensions 256×256, 128×128, . . ., 16×16." "size of the receptive field to be 4 × 4 neurons". 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.
LCNP LabelMe— chi l'ha creato?
È stato pubblicato da University of Bonn, basato su Germany, un'organizzazione categorizzata come academia.
LCNP LabelMe— quando è stato rilasciato?
È stato pubblicato in November 2009. 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.
LCNP LabelMe— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di object recognition. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
LCNP LabelMe— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.3 × 10¹⁵ 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.
LCNP LabelMe— 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.