Invariant image recognition
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
- Complutense University of Madrid
- Tipo di organizzazione
- Academia
- Paese
- Spain
- Pubblicato
- 18 June 1989
- Autori
- V. Cruz, G. Cristóbal, T. Michaux, S. Barquin
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Representation learning
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
- 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
- 2.7 × 10¹⁰ FLOP
- Come è stato stabilito
- Hardware
0.5*6*60*60*2.5e6 = 27000000000 = 2.7e10 Trained for 6h on a SUN-4 (section 4) Assumed utilization of 0.5 SUN-4 is estimated at 2.5e6 FLOP/s (Nordhaus, 2007)
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
- 6 hours
Section 4
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
- Invariant image recognition using a multi-network neural model
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
Invariant image recognition è stato pubblicato da Complutense University of Madrid, nel paese registrato come Spain, durante June 1989. La categoria sotto cui rientra l'editore è academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di representation learning.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Addestramento e provenienza
Il run di addestramento ha consumato circa 2.7 × 10¹⁰ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il suo criterio di inclusione: historical significance.
Risposte
Invariant image recognition — domande comuni
Invariant image recognition— 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.
Invariant image recognition— 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.
Invariant image recognition— chi l'ha creato?
È stato pubblicato da Complutense University of Madrid, basato su Spain, un'organizzazione categorizzata come academia.
Invariant image recognition— quando è stato rilasciato?
È stato pubblicato in June 1989. 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.
Invariant image recognition— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di representation learning. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
Invariant image recognition— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.7 × 10¹⁰ 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.
Invariant image recognition— 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.