Hierarchical Scene Labeling (Stanford Background)
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
- New York University (NYU)
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 1 August 2013
- Auteurs
- Clement Farabet; Camille Couprie; Laurent Najman; Yann LeCun
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Semantic segmentation
- 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
- 51.6M
- Training gegevens
- 71,380,800 tokens
Figure 1 details architecture, weights are shared between scales “The network is then applied to each 3-dimension input map Xs. This input is transformed into a 16-dimension feature map, using a bank of 16 filters, 10 connected to the Y channel, the 6 others connected to the U and V channels. The second layer transforms this 16-dimension feature map into a 64-dimension feature map, each map being produced by a combination of 8 randomly selected feature maps from the previous layer. Finally the 6…
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 2.4 × 10¹⁷ FLOP
- Hoe het werd opgericht
- Operation counting
Forward FLOP Split for the three sizes F1: L1: 2*1*7*7*10*320*240+2*2*7*7*6*320*240=165580800 L2: 2*8*64*7*7*160*120=963379200 FC: 2*32*80*60*256=78643200 F2: L1: 2*1*7*7*10*160*120+2*2*7*7*6*160*120=41395200 L2: 2*8*64*7*7*80*60=240844800 FC: 2*32*40*30*256=19660800 F3: L1: 2*1*7*7*10*80*60+2*2*7*7*6*80*60=10348800 L2: 2*8*64*7*7*40*30=60211200 FC: 2*32*20*15*256=4915200 Total: 165580800+963379200+78643200+41395200+240844800+19660800+10348800+60211200+4915200=1584979200 Training compute: 15849…
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Gebruikte chips
- 1
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
- Highly cited,Historical significance
- Record vertrouwen
- Confident
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Learning Hierarchical Features for Scene Labeling
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Over dit model
Hierarchical Scene Labeling (Stanford Background) werd gepubliceerd door New York University (NYU), in het land geregistreerd als United States of America, tijdens August 2013. Het komt uit een organisatie gecategoriseerd als academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van semantic segmentation.
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.
Hoe het getraind werd
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 2.4 × 10¹⁷ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Training verbruikte een corpus van ongeveer 71,380,800 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: highly cited,Historical significance.
Antwoorden
Hierarchical Scene Labeling (Stanford Background) — veelgestelde vragen
Hierarchical Scene Labeling (Stanford Background)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Hierarchical Scene Labeling (Stanford Background)— hoeveel parameters heeft het?
Het heeft een parameter telling van 51.6M. Figure 1 details architecture, weights are shared between scales “The network is then applied to each 3-dimension input map Xs. This input is transformed into a 16-dimension feature map, using a bank of 16 filters, 10 connected to the Y channel, the 6 others connected to the U and V channels. The second layer transforms this 16-dimension feature map into a 64-dimension feature map, each map being produced by a combination of 8 randomly selected feature maps from the previous layer. Finally the 64-dimension feature map is transformed into a 256-dimension feature map, each map being produced by a combination of 32 randomly selected feature maps from the previous layer.” L1: 1*7*7*10+2*7*7*6=1078 L2: 8*64*7*7=25088 FC head is split for the three networks (assumption) FC: 32*80*60*256+32*40*30*256+32*20*15*256=51609600 This is a very different estimate to the 0.5M trainable parameters mentioned in the paper(!) "The convolutional network has roughly 0.5 million trainable 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.
Hierarchical Scene Labeling (Stanford Background)— wie heeft het gemaakt?
Het werd gepubliceerd door New York University (NYU), gebaseerd op United States of America, een organisatie geclassificeerd als academia.
Hierarchical Scene Labeling (Stanford Background)— wanneer is het uitgebracht?
Het werd gepubliceerd in August 2013. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Hierarchical Scene Labeling (Stanford Background)— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van semantic segmentation. 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.
Hierarchical Scene Labeling (Stanford Background)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.4 × 10¹⁷ FLOP. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
Hierarchical Scene Labeling (Stanford Background)— 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.