Deep CNN + COTS
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
- IEEE
- Organisatietype
- Industry
- Land
- Multinational
- Gepubliceerd
- 26 July 2015
- Auteurs
- Dayong Wang, C. Otto, Anil K. Jain
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Face recognition
- Aanpak
- Supervised
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
- 5M
- Training gegevens
- 494,414 tokens
Taken from Table 1 of https://arxiv.org/abs/1508.01722 which uses the same architecture
CASIA [6] dataset provides a large collection of labeled (based on subject names) training set for deep learning networks. It contains 494,414 images of 10,575 subjects
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA Tesla K40c
- Gebruikte chips
- 1
- Stroomverbruik
- 286 W
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Toegang tot model
- Unreleased
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
- SOTA improvement
- Record vertrouwen
- Confident
https://paperswithcode.com/sota/face-verification-on-ijb-a "Experimental results demonstrate that the deep features are competitive with state-of-the-art methods on unconstrained face recognition benchmarks (LFW and IJB-A). "
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Face Search at Scale: 80 Million Gallery
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
Deep CNN + COTS werd gepubliceerd door IEEE, in het land geregistreerd als Multinational, tijdens July 2015. De categorie waaronder de uitgever valt is industry.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van face recognition.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Training en herkomst
Training verbruikte een corpus van ongeveer 494,414 tekstokens
De inclusiecriteria: sOTA improvement.
Antwoorden
Deep CNN + COTS — veelgestelde vragen
Deep CNN + COTS— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van face recognition. 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.
Deep CNN + COTS— 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.
Deep CNN + COTS— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Deep CNN + COTS— hoeveel parameters heeft het?
Het heeft een parameter telling van 5M. Taken from Table 1 of https://arxiv.org/abs/1508.01722 which uses the same architecture. 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.
Deep CNN + COTS— wie heeft het gemaakt?
Het werd gepubliceerd door IEEE, gebaseerd op Multinational, een organisatie geclassificeerd als industry.
Deep CNN + COTS— wanneer is het uitgebracht?
Het werd gepubliceerd in July 2015. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
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.