Siamese-TDNN
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
- Bell Laboratories
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 1 August 1993
- Autori
- J. Bromley, James W. Bentz, L. Bottou, Isabelle M Guyon, Yann LeCun, C. Moore, Eduard Säckinger, Roopak Shah
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- 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
- 0.7K
- Dati di addestramento
- 7,701 tokens
- Epoche
- 69
"The input is 8 by 200 units, the first convolutional layer is 6 by 192 units with each unit's receptive field covering 8 by 9 units of the input. The first averaging layer is 6 by 64 units, the second convolution layer is 4 by 57 with 6 by 8 receptive fields and the second averaging layer is 4 by 19" "Two separate sub-networks based on Time Delay Neural Networks (Lang and Hinton, 1988, Guyon et al. 1990) act on each input pattern to extract features," "All weights could be learnt, but the two s…
"We used up to 7,701 signature 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
- 1.3 × 10¹³ FLOP
- Come è stato stabilito
- Operation counting
8073216*3*7701*69=12869570138112=1.29e13 Forward pass flop: 2*(2*200*200*8*6+2*64*64*6*4)=8073216 "We used up to 7,701 signature pairs" Epochs: 69 (Table 1)
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,Highly cited
- Record fiducia
- Likely
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Signature Verification using a "Siamese" Time Delay Neural Network
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
Siamese-TDNN è stato pubblicato da Bell Laboratories, nel paese registrato come United States of America, durante August 1993. L'organizzazione di pubblicazione è classificata come industry.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image classification.
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
Il run di addestramento ha consumato circa 1.3 × 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 7,701 token di testo
Il motivo per cui appare in questo catalogo è: historical significance,Highly cited.
Risposte
Siamese-TDNN — domande comuni
Siamese-TDNN— chi l'ha creato?
È stato pubblicato da Bell Laboratories, basato su United States of America, un'organizzazione categorizzata come industry.
Siamese-TDNN— quando è stato rilasciato?
È stato pubblicato in August 1993. 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.
Siamese-TDNN— 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.
Siamese-TDNN— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.3 × 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.
Siamese-TDNN— 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.
Siamese-TDNN— 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.
Siamese-TDNN— quanti parametri ha?
Ha un numero di parametri di 0.7K. "The input is 8 by 200 units, the first convolutional layer is 6 by 192 units with each unit's receptive field covering 8 by 9 units of the input. The first averaging layer is 6 by 64 units, the second convolution layer is 4 by 57 with 6 by 8 receptive fields and the second averaging layer is 4 by 19" "Two separate sub-networks based on Time Delay Neural Networks (Lang and Hinton, 1988, Guyon et al. 1990) act on each input pattern to extract features," "All weights could be learnt, but the two sub-networks were constrained to have identical weights." L1: H=1, W=200, C=8, K=9, D=6 L2: H=1, W=64, C=6, K=8, D=4 Parameters: 7*9*8+5*8*6=744. 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.
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.