CNN Committee (MNIST)

Gesloten gewichten IDSIA 120.6K parameters September 2011

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..

Blader door modellen die je kunt uitvoeren in plaats van

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
Organisatietype: Academia
Land: Switzerland
Gepubliceerd: 18 September 2011
Auteurs: D. Ciresan, U. Meier, 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 classification
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: 120.6K
Training gegevens: 420,000 tokens
Epochs: 800

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: 5.2 × 10¹⁶ FLOP
Hoe het werd opgericht: Hardware,Operation counting

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,NVIDIA GeForce GTX 480
Gebruikte chips: 4
Kloktijd: 98 hours

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
Record vertrouwen: Likely

Bronnen

Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.

Referentie: Convolutional Neural Network Committees for Handwritten Character Classification
Laatst bijgewerkt: 11 February 2026

Wat de cijfers betekenen

Over dit model

CNN Committee (MNIST) werd gepubliceerd door IDSIA, in het land geregistreerd als Switzerland, tijdens September 2011. De publicerende organisatie is geclassificeerd als academia.

Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van image classification.

De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.

Wat erin ging zitten om het te bouwen

Training kostte een rekensbudget van ongeveer 5.2 × 10¹⁶ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX 580,NVIDIA GeForce GTX 480. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

Het is getraind op een corpus van ongeveer 420,000 tekstokens

Het wordt gevolgd in de onderliggende dataset om één specifieke reden: historical significance.

Antwoorden

CNN Committee (MNIST) — veelgestelde vragen

CNN Committee (MNIST)— wie heeft het gemaakt?

Het werd gepubliceerd door IDSIA, gebaseerd op Switzerland, een organisatie geclassificeerd als academia.

CNN Committee (MNIST)— wanneer is het uitgebracht?

Het werd gepubliceerd in September 2011. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.

CNN Committee (MNIST)— waarvoor wordt het gebruikt?

Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van 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.

CNN Committee (MNIST)— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 5.2 × 10¹⁶ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX 580,NVIDIA GeForce GTX 480. 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.

CNN Committee (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.

CNN Committee (MNIST)— is het open-source?

Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.

CNN Committee (MNIST)— hoeveel parameters heeft het?

Het heeft een parameter telling van 120.6K. 1st CNN layer: 20*4*4=320 2nd CNN layer: 20*40*9*9=64800 1st FC layer: 40*3*3*150=54000 2nd FC layer: 150*10=1500 Total: 320+64800+54000+1500=120620. 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.

Bron

Originele publicatie

Laatste update geregistreerd 11 February 2026

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.

Alle AI-modellen