SqueezeNet
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- DeepScale,University of California (UC) Berkeley,Stanford University
- Organisatietype
- Academia,Academia
- Land
- United States of America
- Gepubliceerd
- 24 February 2016
- Auteurs
- Forrest N. Iandola, Song Han, Matthew W. Moskewicz, Khalid Ashraf, William J. Dally, Kurt Keutzer
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Image classification
- Numerieke indeling
- FP32
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 1.2M
- Training gegevens
- 1,280,000 tokens
The paper says "SqueezeNet achieves AlexNet-level accuracy on ImageNet with 50x fewer parameters." AlexNet has 60 million parameters.
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- Highly cited
- Citaties
- 8,366
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
SqueezeNet werd gepubliceerd door DeepScale,University of California (UC) Berkeley,Stanford University, in het land geregistreerd als United States of America, tijdens February 2016. De categorie waaronder de uitgever valt is academia,Academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van image classification.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Training en herkomst
Training verbruikte een corpus van ongeveer 1,280,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: highly cited.
Antwoorden
SqueezeNet — veelgestelde vragen
SqueezeNet— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
SqueezeNet— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
SqueezeNet— hoeveel parameters heeft het?
Het heeft een parameter telling van 1.2M. The paper says "SqueezeNet achieves AlexNet-level accuracy on ImageNet with 50x fewer parameters." AlexNet has 60 million parameters. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
SqueezeNet— wie heeft het gemaakt?
Het werd gepubliceerd door DeepScale,University of California (UC) Berkeley,Stanford University, gebaseerd op United States of America, een organisatie geclassificeerd als academia,Academia.
SqueezeNet— wanneer is het uitgebracht?
Het werd gepubliceerd in February 2016. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
SqueezeNet— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van image classification. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.