Pooling CNN (Caltech 101)
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
- University of Bonn
- Organisatietype
- Academia
- Land
- Germany
- Gepubliceerd
- 15 September 2010
- Auteurs
- Dominik Scherer, Andreas C. Müller, Sven Behnke
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
- 294.9K
- Training gegevens
- 3,060 tokens
- Epochs
- 300
C1: 3*16*16*16=12288 C3: 16*128*6*6=73728 F5: 128*4*4*102=208896 Total: 12288+73728+208896=294912
30 * 102 = 3060
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
- 1.2 × 10¹⁵ FLOP
- Hoe het werd opgericht
- Operation counting
Forward FLOP C1: 2*3*16*16*16*125*125=384000000 C3: 2*16*128*6*6*20*20=58982400 F5: 2*128*4*4*102=417792 Total: 384000000+58982400+417792=443400192 300 epochs 30*102=3060 training examples 443400192*3*3060*300=1221124128768000=1.2e15
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
- Historical significance,Highly cited,SOTA improvement
- Record vertrouwen
- Confident
"we achieve state-of-the-art error rates of 4.57% on the NORB normalized-uniform dataset and 5.6% on the NORB jittered-cluttered dataset."
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Evaluation of Pooling Operations in Convolutional Architectures for Object Recognition
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Wat dit model is
Pooling CNN (Caltech 101) werd gepubliceerd door University of Bonn, in het land geregistreerd als Germany, tijdens September 2010. De categorie waaronder de uitgever valt is academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van 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.
Training en herkomst
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 1.2 × 10¹⁵ FLOP. 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 3,060 tekstokens
De inclusiecriteria: historical significance,Highly cited,SOTA improvement.
Antwoorden
Pooling CNN (Caltech 101) — veelgestelde vragen
Pooling CNN (Caltech 101)— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2010. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Pooling CNN (Caltech 101)— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van image classification. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
Pooling CNN (Caltech 101)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.2 × 10¹⁵ 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.
Pooling CNN (Caltech 101)— 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.
Pooling CNN (Caltech 101)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Pooling CNN (Caltech 101)— hoeveel parameters heeft het?
Het heeft een parameter telling van 294.9K. C1: 3*16*16*16=12288 C3: 16*128*6*6=73728 F5: 128*4*4*102=208896 Total: 12288+73728+208896=294912. 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.
Pooling CNN (Caltech 101)— wie heeft het gemaakt?
Het werd gepubliceerd door University of Bonn, gebaseerd op Germany, een organisatie geclassificeerd als academia.
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.