MCDNN (MNIST)
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
- 13 February 2012
- Auteurs
- Dan Cireşan, Ueli Meier, Juergen Schmidhuber
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Character recognition (OCR), Image 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
- 2.7M
- Training gegevens
- 2,100,000 tokens
- Epochs
- 800
"We train five DNN columns per normalization, resulting in a total of 35 columns for the entire MCDNN. [Each DNN has an architecture] 1x29x29-20C4-MP2-40C5-MP3-150N-10N DNN" Parameter calculation: 20*4*4+20*40*5*5+150*40*3*3+10*150=75820 35*75820=2653700
The MNIST database contains 60,000 training images and 10,000 testing images (Wikipedia)
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
- 1.6 × 10¹⁶ FLOP
- Hoe het werd opgericht
- Operation counting
Num of multiply-adds per forward pass 2 FLOPs/mult-add 3 (fp+bp FLOPs / fp FLOPs) 800 epochs 60.000 training size 35 networks "Training a DNN takes almost 14 hours and after 500 training epochs little additional improvement is observed" 500*60000*3*174147400=1.57e+16
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.
- Record vertrouwen
- Likely
- Citaties
- 4,828
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Multi-column Deep Neural Networks for Image Classification
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Achtergrond
MCDNN (MNIST) werd gepubliceerd door IDSIA,SUPSI, in het land geregistreerd als Switzerland, tijdens February 2012. Het komt uit een organisatie gecategoriseerd als academia,Academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van character recognition (OCR), 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.
Hoe het getraind werd
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 1.6 × 10¹⁶ 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 2,100,000 tekstokens
Antwoorden
MCDNN (MNIST) — veelgestelde vragen
MCDNN (MNIST)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
MCDNN (MNIST)— hoeveel parameters heeft het?
Het heeft een parameter telling van 2.7M. "We train five DNN columns per normalization, resulting in a total of 35 columns for the entire MCDNN. [Each DNN has an architecture] 1x29x29-20C4-MP2-40C5-MP3-150N-10N DNN" Parameter calculation: 20*4*4+20*40*5*5+150*40*3*3+10*150=75820 35*75820=2653700. 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.
MCDNN (MNIST)— wie heeft het gemaakt?
Het werd gepubliceerd door IDSIA,SUPSI, gebaseerd op Switzerland, een organisatie geclassificeerd als academia,Academia.
MCDNN (MNIST)— wanneer is het uitgebracht?
Het werd gepubliceerd in February 2012. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
MCDNN (MNIST)— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van character recognition (OCR), 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.
MCDNN (MNIST)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.6 × 10¹⁶ 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.
MCDNN (MNIST)— 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.