LMICA
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.
- Gepubliceerd
- 1 December 2004
- Auteurs
- Yoshitatsu Matsuda, K. Yamaguchi
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Object detection
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
- 4.1M
- Training gegevens
- 100,000 tokens
64*64*1000=4096000 "100000 samples of natural scenes of 64 × 64 pixels were given as X" "LMICA was carried out in 1000 layers"
"100000 samples of natural scenes of 64 × 64 pixels were given as X"
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
- 2.8 × 10¹⁵ FLOP
- Hoe het werd opgericht
- Hardware
69*60*60*8*2800000000*0.5=2782080000000000=2.78e15 "it consumed about 69 hours with Intel 2.8GHz CPU" - Assuming they used an Intel Pentium 4 processor with 8 FLOP/cycle (https://en.wikipedia.org/wiki/FLOPS)
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.
- Grensmodel
- Yes
- Waarom het wordt gevolgd
- Training cost,Historical significance
- Record vertrouwen
- Confident
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Linear Multilayer Independent Component Analysis for Large Natural Scenes
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
LMICA werd gepubliceerd door its authors, tijdens December 2004.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van object detection.
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 2.8 × 10¹⁵ 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 100,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: training cost,Historical significance.
Antwoorden
LMICA — veelgestelde vragen
LMICA— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.8 × 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.
LMICA— 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.
LMICA— 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.
LMICA— hoeveel parameters heeft het?
Het heeft een parameter telling van 4.1M. 64*64*1000=4096000 "100000 samples of natural scenes of 64 × 64 pixels were given as X" "LMICA was carried out in 1000 layers". 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.
LMICA— wanneer is het uitgebracht?
Het werd gepubliceerd in December 2004. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
LMICA— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van object detection. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
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.