Multiresolution CNN
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
- Google,Stanford University
- Organisatietype
- Industry,Academia
- Land
- United States of America
- Gepubliceerd
- 23 June 2014
- Auteurs
- A Karpathy, G Toderici, S Shetty, T Leung
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Video
- Taak
- Video classification
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
- 126.1M
- Training gegevens
- 50,000,000 tokens
"Using shorthand notation, the full [single frame] architecture is C(96, 11, 3)-N-P-C(256, 5, 1)-N-P-C(384, 3, 1)-C(384, 3, 1)-C(256, 3, 1)-P-FC(4096)-FC(4096), where C(d, f, s) indicates a convolutional layer with d filters of spatial size f ×f, applied to the input with stride s" Two such single-frame architectures are concatenated as shown in figure 2 "Since the input is only of half the spatial size as the full-frame models, we take out the last pooling layer to ensure that both streams st…
"We further estimate the size of our dataset of sampled frames to be on the order of 50 million examples and that our networks have each seen approximately 500 million examples throughout the training period in total." So 5e+7 datapoints and 10 epochs.
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
- 6,254
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Large-Scale Video Classification with Convolutional Neural Networks
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
Multiresolution CNN werd gepubliceerd door Google,Stanford University, in het land geregistreerd als United States of America, tijdens June 2014. Het komt uit een organisatie gecategoriseerd als industry,Academia.
Het werkt in het domein van Video, en wordt geregistreerd als het uitvoeren van de taak van video classification.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Hoe het getraind werd
De trainingsset liep naar ongeveer 50,000,000 tekstokens
De inclusiecriteria: highly cited.
Antwoorden
Multiresolution CNN — veelgestelde vragen
Multiresolution CNN— 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.
Multiresolution CNN— hoeveel parameters heeft het?
Het heeft een parameter telling van 126.1M. "Using shorthand notation, the full [single frame] architecture is C(96, 11, 3)-N-P-C(256, 5, 1)-N-P-C(384, 3, 1)-C(384, 3, 1)-C(256, 3, 1)-P-FC(4096)-FC(4096), where C(d, f, s) indicates a convolutional layer with d filters of spatial size f ×f, applied to the input with stride s" Two such single-frame architectures are concatenated as shown in figure 2 "Since the input is only of half the spatial size as the full-frame models, we take out the last pooling layer to ensure that both streams still terminate in a layer of size 7×7×256. " We assume the input are T=10 frames with C=3 color channels each 2*(256*(10*3*5*5+1) + 384*(256*3*3+1) + 384*(384*3*3+1) + 256*(384*3*3+1)) + (2*7*7*256 + 1)*4096 + (4096+1)*4096. 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.
Multiresolution CNN— wie heeft het gemaakt?
Het werd gepubliceerd door Google,Stanford University, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia.
Multiresolution CNN— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2014. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Multiresolution CNN— waarvoor wordt het gebruikt?
Het werkt in het domein van Video, en wordt geregistreerd als het afhandelen van video classification. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
Multiresolution CNN— 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.
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.