Hybrid CNN/SVM Object Categorizer
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
- Courant Institute of Mathematical Sciences
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 17 June 2006
- Autori
- Fu Jie Huang, Yann LeCun
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Object recognition, Image classification
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
- 3.6M
- Dati di addestramento
- 291,600 tokens
- Epoche
- 14
For the CNN: "In this case, the whole network has a total of 90,857 trainable parameters." For the SVM: there are 6 binary SVM models trained support vectors = 0.02x291600 dimension = 100 parameters = (0.02x291600)x100x6=3499200 Total = 3590057
"Each object is captured by a camera pair with 162 different views (9 elevations from 30◦ to 70◦ every 5◦, 18 azimuths sampled every 20◦ along the horizontal viewing circle) and under 6 different illuminations." "To generate the training set, each image was perturbed with 10 different configurations of the above parameters, which makes up 291,600 image pairs of size 108×108. The testing set has 2 drawings of perturbations, and have 58,320 pairs"
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
- 9.8 × 10¹³ FLOP
- Come è stato stabilito
- Operation counting
(291,600)*(8e6)*3*14 "A full propagation of one data sample through the network requires about 4 million multiply-add operations" = 2*4e6 FLOPs "The training and testing features are extracted with the convolutional net trained after 14 passes" "The experiments here are run on a single CPU (AMD Opteron at 2GHz) with 4GB of memory"
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
- 52 hours
Train time = (5880+330 min*GHz) * (1/(CPU=2GHz) * (1 hr/60 min) = 51.75 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
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Large-scale learning with svm and convolutional nets for generic object categorization
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
Hybrid CNN/SVM Object Categorizer è stato pubblicato da Courant Institute of Mathematical Sciences, nel paese registrato come United States of America, durante June 2006. L'organizzazione di pubblicazione è classificata come academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di object recognition, Image classification.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Come è stato addestrato
La produzione di esso ha richiesto un'aritmetica totale di circa 9.8 × 10¹³ 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 291,600 token di testo
Risposte
Hybrid CNN/SVM Object Categorizer — domande comuni
Hybrid CNN/SVM Object Categorizer— 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.
Hybrid CNN/SVM Object Categorizer— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Hybrid CNN/SVM Object Categorizer— quanti parametri ha?
Ha un numero di parametri di 3.6M. For the CNN: "In this case, the whole network has a total of 90,857 trainable parameters." For the SVM: there are 6 binary SVM models trained support vectors = 0.02x291600 dimension = 100 parameters = (0.02x291600)x100x6=3499200 Total = 3590057. 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.
Hybrid CNN/SVM Object Categorizer— chi l'ha creato?
È stato pubblicato da Courant Institute of Mathematical Sciences, basato su United States of America, un'organizzazione categorizzata come academia.
Hybrid CNN/SVM Object Categorizer— quando è stato rilasciato?
È stato pubblicato in June 2006. 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.
Hybrid CNN/SVM Object Categorizer— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di object recognition, Image classification. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
Hybrid CNN/SVM Object Categorizer— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 9.8 × 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.
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.