Two Stage Feature Extraction (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
- New York University (NYU)
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 1 September 2009
- Auteurs
- Kevin Jarrett, K. Kavukcuoglu, Marc'Aurelio Ranzato, Yann LeCun
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- 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
- 258.8K
- Training gegevens
- 50,000 tokens
- Epochs
- 33
CNN: 32*5*5+32*64*5*5=52000 FC: 1024*200+200*10=206800 Total: 52000+206800=258800
"experiments were run on the MNIST dataset, which contains 60,000 gray-scale 28x28 pixel digit images for training and 10,000 images for testing"
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
- 2.1 × 10¹³ FLOP
- Hoe het werd opgericht
- Operation counting
Assuming no padding and stride 1 “on the 50,000 non-validation training samples until the best error rate on the validation set was reached (this took 30 epochs)“ First CNN layer: 2*32*24*24*5*5=921600 Second CNN layer: 2*64*16*5*5*8*8=3276800 First FC layer: 2*4*4*64*200=409600 Second FC layer: 2*200*10=4000 Total forward FLOP: 921600+3276800+409600+4000=4612000 Totral training compute: 4612000*3*30*50000=20754000000000 They train another model in this paper that I think is at least an order o…
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
- Highly cited,SOTA improvement
- Record vertrouwen
- Confident
They claim SOTA performance on the MNIST and NORB datasets. Is also highly cited
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- What is the best multi-stage architecture for object recognition?
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Over dit model
Two Stage Feature Extraction (MNIST) werd gepubliceerd door New York University (NYU), in het land geregistreerd als United States of America, tijdens September 2009. 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.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Hoe het getraind werd
De training run verbruikte ongeveer 2.1 × 10¹³ 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 50,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: highly cited,SOTA improvement.
Antwoorden
Two Stage Feature Extraction (MNIST) — veelgestelde vragen
Two Stage Feature Extraction (MNIST)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Two Stage Feature Extraction (MNIST)— hoeveel parameters heeft het?
Het heeft een parameter telling van 258.8K. CNN: 32*5*5+32*64*5*5=52000 FC: 1024*200+200*10=206800 Total: 52000+206800=258800. 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.
Two Stage Feature Extraction (MNIST)— wie heeft het gemaakt?
Het werd gepubliceerd door New York University (NYU), gebaseerd op United States of America, een organisatie geclassificeerd als academia.
Two Stage Feature Extraction (MNIST)— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2009. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Two Stage Feature Extraction (MNIST)— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van image classification. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
Two Stage Feature Extraction (MNIST)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.1 × 10¹³ 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.
Two Stage Feature Extraction (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.