SOM-CNN
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
- 31 January 1997
- Auteurs
- S. Lawrence, C. Lee Giles, A. Tsoi, A. Back
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Face recognition
- Aanpak
- Supervised
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
- 32K
- Training gegevens
- 129,000 tokens
- Epochs
- 100
SOM: 125 L1: 20*3*3*3=540 L2: 25*3*3*20*0.3=1350 L3: 25*5*6*40=30000 Total: 125+540+1350+30000=32,015 (see Table 1)
"a total of 200 training images and 200 test images." but note that images are sub-sampled to smaller local windows for training.
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
- 3.1 × 10¹⁰ FLOP
- Hoe het werd opgericht
- Operation counting
Forward pass flop based on architecture (see Table 1): First CNN layer: 23*28 -> 3*3*20 2*21*26*3*3*20=196560 Second CNN layer: 20*11*13 -> 3*3*25*0.3 2*9*11*3*3*20*25*0.3=267300 FC layer: 25*5*6 -> 40 2*25*5*6*40=60000 Total forward FLOP: 196560+267300+60000=523860 Total training compute: 523860*3*20000=31431600000 Training steps: "The network was trained with backpropagation [13] for a total of 20 000 updates."
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
- Historical significance,Highly cited
- Record vertrouwen
- Confident
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Face recognition: a convolutional neural-network approach
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
SOM-CNN werd gepubliceerd door its authors, tijdens January 1997.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van face recognition.
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 3.1 × 10¹⁰ 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 129,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: historical significance,Highly cited.
Antwoorden
SOM-CNN — veelgestelde vragen
SOM-CNN— hoeveel parameters heeft het?
Het heeft een parameter telling van 32K. SOM: 125 L1: 20*3*3*3=540 L2: 25*3*3*20*0.3=1350 L3: 25*5*6*40=30000 Total: 125+540+1350+30000=32,015 (see 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.
SOM-CNN— wanneer is het uitgebracht?
Het werd gepubliceerd in January 1997. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
SOM-CNN— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van face recognition. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
SOM-CNN— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.1 × 10¹⁰ 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.
SOM-CNN— 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.
SOM-CNN— 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.
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.