6-layer MLP (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,University of Lugano,SUPSI
- Organisatietype
- Academia,Academia,Academia
- Land
- Switzerland
- Gepubliceerd
- 1 March 2010
- Auteurs
- Dan Claudiu Ciresan, Ueli Meier, Luca Maria Gambardella, 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)
- Numerieke indeling
- FP32
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
- 12.1M
- Training gegevens
- 60,000 tokens
Table 1
"MNIST consists of two datasets, one for training (60,000 images) and one for testing (10,000 images). Many studies divide the training set into two sets consisting of 50,000 images for training and 10,000 for validation. Our network is trained on slightly deformed images, continually generated in on-line fashion; hence we may use the whole un-deformed training set for validation, without wasting training images"
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
- 1.3 × 10¹⁴ FLOP
- Hoe het werd opgericht
- Operation counting
"Networks with up to 12 million weights can successfully be trained by plain gradient descent to achieve test errors below 1% after 20-30 epochs in less than 2 hours of training." 60k images in each MNIST epoch. Architecture-based estimate: 6 * 12.11M * 60k * 30 = 1.31e14 We can also get a rough hardware estimate. The authors use single precision, GTX280 gets 6.221e11 FLOPs in single precision. Training 30 epochs takes less than 2 hours, but on each epoch the training set is augmented in onli…
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 280,Intel Core 2 Quad Q9450
- Kloktijd
- 2 hours
"less than 2 hours of training"
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
- 1,264
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Deep Big Simple Neural Nets Excel on Handwritten Digit Recognition
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Over dit model
6-layer MLP (MNIST) werd gepubliceerd door IDSIA,University of Lugano,SUPSI, in het land geregistreerd als Switzerland, tijdens March 2010. De categorie waaronder de uitgever valt is academia,Academia,Academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van character recognition (OCR).
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.
Wat erin ging zitten om het te bouwen
Training kostte een rekensbudget van ongeveer 1.3 × 10¹⁴ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX 280,Intel Core 2 Quad Q9450. 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 60,000 tekstokens
Antwoorden
6-layer MLP (MNIST) — veelgestelde vragen
6-layer MLP (MNIST)— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
6-layer MLP (MNIST)— hoeveel parameters heeft het?
Het heeft een parameter telling van 12.1M. Table 1. 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.
6-layer MLP (MNIST)— wie heeft het gemaakt?
Het werd gepubliceerd door IDSIA,University of Lugano,SUPSI, gebaseerd op Switzerland, een organisatie geclassificeerd als academia,Academia,Academia.
6-layer MLP (MNIST)— wanneer is het uitgebracht?
Het werd gepubliceerd in March 2010. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
6-layer MLP (MNIST)— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van character recognition (OCR). Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
6-layer MLP (MNIST)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.3 × 10¹⁴ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX 280,Intel Core 2 Quad Q9450. 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.
6-layer MLP (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.