DNN EM segmentation
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
- IDSIA,SUPSI
- Organisatietype
- Academia,Academia
- Land
- Switzerland
- Gepubliceerd
- 3 December 2012
- Auteurs
- D. Ciresan, A. Giusti, L. Gambardella, J. Schmidhuber
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Image 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
- 218.9K
- Training gegevens
- 3,000,000 tokens
- Epochs
- 30
Table 1 shows architecture 1st layer CNN: 48*4*4=768 2nd layer CNN: 48*48*5*5=57600 3rd layer CNN: 48*48*4*4=36864 4th layer CNN: 48*48*4*4=36864 1st layer FC: 48*3*3*200=86400 2nd layer FC: 200*2=400 Total parameters: 768+57600+36864+36864+86400+400=218896
[images] "This amounts to 3 million training examples in total, in which both classes are equally represented."
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
- 4.8 × 10¹⁷ FLOP
- Hoe het werd opgericht
- Operation counting,Hardware
"This amounts to 3 million training examples in total, in which both classes are equally represented. [...] We take advantage of this property, and synthetically augment the training set at the beginning of each epoch by randomly mirroring each training instance, and/or rotating it by ±90◦" Assuming 3 x training examples per epoch due to data augmentation Counting estimate: 1st layer CNN: 2*92*92*48*4*4=13000704 2nd layer CNN: 2*42*42*48*48*5*5=203212800 3rd layer CNN: 2*18*18*48*48*4*4=2388787…
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA GeForce GTX 580
- Gebruikte chips
- 4
- Kloktijd
- 17 hours
- Stroomverbruik
- 2.1 kW
- Rekenkosten
- $4
Training time for one epoch varies from approximately 170 minutes for N1 (w = 65) to 340 minutes for N4 (w = 95). All nets are trained for 30 epochs, which leads to a total training time of several days.
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
- Training code
- 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.
- Grensmodel
- Yes
- Waarom het wordt gevolgd
- Historical significance,Highly cited
- Record vertrouwen
- Confident
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Deep Neural Networks Segment Neuronal Membranes in Electron Microscopy Images
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
DNN EM segmentation werd gepubliceerd door IDSIA,SUPSI, in het land geregistreerd als Switzerland, tijdens December 2012. 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 segmentation.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Training en herkomst
Training kostte een rekensbudget van ongeveer 4.8 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX 580. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
De trainingsset liep naar ongeveer 3,000,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: historical significance,Highly cited.
Antwoorden
DNN EM segmentation — veelgestelde vragen
DNN EM segmentation— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van image segmentation. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
DNN EM segmentation— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 4.8 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX 580. 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.
DNN EM segmentation— 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.
DNN EM segmentation— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
DNN EM segmentation— hoeveel parameters heeft het?
Het heeft een parameter telling van 218.9K. Table 1 shows architecture 1st layer CNN: 48*4*4=768 2nd layer CNN: 48*48*5*5=57600 3rd layer CNN: 48*48*4*4=36864 4th layer CNN: 48*48*4*4=36864 1st layer FC: 48*3*3*200=86400 2nd layer FC: 200*2=400 Total parameters: 768+57600+36864+36864+86400+400=218896. 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.
DNN EM segmentation— wie heeft het gemaakt?
Het werd gepubliceerd door IDSIA,SUPSI, gebaseerd op Switzerland, een organisatie geclassificeerd als academia,Academia.
DNN EM segmentation— wanneer is het uitgebracht?
Het werd gepubliceerd in December 2012. 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.