Hybrid CNN/SVM Object Categorizer
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
- Courant Institute of Mathematical Sciences
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 17 June 2006
- Auteurs
- Fu Jie Huang, Yann LeCun
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Object recognition, 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
- 3.6M
- Training gegevens
- 291,600 tokens
- Epochs
- 14
For the CNN: "In this case, the whole network has a total of 90,857 trainable parameters." For the SVM: there are 6 binary SVM models trained support vectors = 0.02x291600 dimension = 100 parameters = (0.02x291600)x100x6=3499200 Total = 3590057
"Each object is captured by a camera pair with 162 different views (9 elevations from 30◦ to 70◦ every 5◦, 18 azimuths sampled every 20◦ along the horizontal viewing circle) and under 6 different illuminations." "To generate the training set, each image was perturbed with 10 different configurations of the above parameters, which makes up 291,600 image pairs of size 108×108. The testing set has 2 drawings of perturbations, and have 58,320 pairs"
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
- 9.8 × 10¹³ FLOP
- Hoe het werd opgericht
- Operation counting
(291,600)*(8e6)*3*14 "A full propagation of one data sample through the network requires about 4 million multiply-add operations" = 2*4e6 FLOPs "The training and testing features are extracted with the convolutional net trained after 14 passes" "The experiments here are run on a single CPU (AMD Opteron at 2GHz) with 4GB of memory"
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Kloktijd
- 52 hours
Train time = (5880+330 min*GHz) * (1/(CPU=2GHz) * (1 hr/60 min) = 51.75 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
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
- Confident
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Large-scale learning with svm and convolutional nets for generic object categorization
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
Hybrid CNN/SVM Object Categorizer werd gepubliceerd door Courant Institute of Mathematical Sciences, in het land geregistreerd als United States of America, tijdens June 2006. De publicerende organisatie is geclassificeerd als academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van object recognition, 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
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 9.8 × 10¹³ FLOP. 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 291,600 tekstokens
Antwoorden
Hybrid CNN/SVM Object Categorizer — veelgestelde vragen
Hybrid CNN/SVM Object Categorizer— 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.
Hybrid CNN/SVM Object Categorizer— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Hybrid CNN/SVM Object Categorizer— hoeveel parameters heeft het?
Het heeft een parameter telling van 3.6M. For the CNN: "In this case, the whole network has a total of 90,857 trainable parameters." For the SVM: there are 6 binary SVM models trained support vectors = 0.02x291600 dimension = 100 parameters = (0.02x291600)x100x6=3499200 Total = 3590057. 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.
Hybrid CNN/SVM Object Categorizer— wie heeft het gemaakt?
Het werd gepubliceerd door Courant Institute of Mathematical Sciences, gebaseerd op United States of America, een organisatie geclassificeerd als academia.
Hybrid CNN/SVM Object Categorizer— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2006. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Hybrid CNN/SVM Object Categorizer— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van object recognition, Image classification. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
Hybrid CNN/SVM Object Categorizer— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 9.8 × 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.
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.