SVM-CNN
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of op uw eigen hardware worden uitgevoerd in welke omvang dan ook. Het is alleen toegankelijk via de provider, en geen grafische kaart verandert dat.
Op record
Volledige specificatie
Alles over dit model vastgelegd. Het meeste beschrijft hoe het getraind is in plaats van hoe het draait — nuttige context om te beoordelen hoeveel werk erin gestoken is en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd.
Oorsprong
Wie heeft dit model gebouwd, waar en wanneer het werd gepubliceerd.
- Organisatie
- New York University (NYU)
- Organisatie type
- 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 er verschillende van elk bevatten.
- Domein
- Vision
- Taak
- Image classification
- Benadering
- Supervised
Grootte
Hoe groot het model is en hoeveel data erop is getraind. Parameters zijn de cijfers die bepalen of het op een bepaalde grafische kaart past.
- Parameters
- 90.9K
- Opleidingsgegevens
- 583,200 tokens
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
Training berekeningen
De rekeningen die worden uitgevoerd om het model te trainen, gemeten in drijvende-komma-berekeningen. Het is een maat voor wat de trainingsrun kostte, niet hoe snel het voltooide model je antwoordt.
- Training berekeningen
- 7.5 × 10¹⁴ FLOP
- Hoe het werd opgericht
- Hardware
Training time: 5880+330=6210 minutes (Table 1) “The timing is normalized to hypothetical 1GHz single CPU.” Assuming utilization of 0.5 and AMD Athlon 64 Processor with 4 FLOP/cycle Compute: 6210*60*4*1000000000*0.5=745200000000000 = 7.4e14
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het net trok.
- Chips used
- 1
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
- Model toegang
- Unreleased
Hoe het is geclassificeerd
Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Frontier model
- Yes
- Waarom het wordt gevolgd
- Historical significance
- Vereiste vertrouwen
- Confident
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- Large-scale Learning with SVM and Convolutional for Generic Object Categorization
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
SVM-CNN was published by New York University (NYU), in United States of America, in June 2006. academia is the category the publisher falls under.
It works in Vision, and is recorded as doing image classification.
De gewichten zijn nooit gepubliceerd, dus het kan alleen worden bereikt via de aanbieder. Geen enkele grafische kaart verandert dat.
Training en afkomst
Training it took roughly 7.5 × 10¹⁴ FLOP of computation — a measure of what producing the model cost, not of how fast it answers.
Around 583,200 tokens went into training it.
It is tracked in the underlying dataset for one reason in particular: historical significance.
Antwoorden
SVM-CNN — Veelgestelde vragen
Who created SVM-CNN?
SVM-CNN was published by New York University (NYU), based in United States of America, categorised as academia.
When was SVM-CNN released?
SVM-CNN was published in June 2006. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is SVM-CNN used for?
SVM-CNN works in Vision, and is recorded as handling image classification. These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train SVM-CNN?
Around 7.5 × 10¹⁴ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run SVM-CNN?
None. SVM-CNN is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is SVM-CNN open source?
No. SVM-CNN has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does SVM-CNN have?
SVM-CNN has 90.9K parameters. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
De andere richting
Vanuit het andere perspectief bekijken?
Deze pagina begint bij het model. Als u al een kaart bezit en alles wilt weten wat het zal uitvoeren, Begin liever bij de hardware.