Siamese-TDNN
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
- Bell Laboratories
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 1 August 1993
- Auteurs
- J. Bromley, James W. Bentz, L. Bottou, Isabelle M Guyon, Yann LeCun, C. Moore, Eduard Säckinger, Roopak Shah
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
- 0.7K
- Training gegevens
- 7,701 tokens
- Epochs
- 69
"The input is 8 by 200 units, the first convolutional layer is 6 by 192 units with each unit's receptive field covering 8 by 9 units of the input. The first averaging layer is 6 by 64 units, the second convolution layer is 4 by 57 with 6 by 8 receptive fields and the second averaging layer is 4 by 19" "Two separate sub-networks based on Time Delay Neural Networks (Lang and Hinton, 1988, Guyon et al. 1990) act on each input pattern to extract features," "All weights could be learnt, but the two s…
"We used up to 7,701 signature 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
- 1.3 × 10¹³ FLOP
- Hoe het werd opgericht
- Operation counting
8073216*3*7701*69=12869570138112=1.29e13 Forward pass flop: 2*(2*200*200*8*6+2*64*64*6*4)=8073216 "We used up to 7,701 signature pairs" Epochs: 69 (Table 1)
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
- Historical significance,Highly cited
- Record vertrouwen
- Likely
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Signature Verification using a "Siamese" Time Delay Neural Network
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Waar het vandaan kwam
Siamese-TDNN werd gepubliceerd door Bell Laboratories, in het land geregistreerd als United States of America, tijdens August 1993. De publicerende organisatie is geclassificeerd als industry.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van image classification.
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.
Hoe het getraind werd
De training run verbruikte ongeveer 1.3 × 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 7,701 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: historical significance,Highly cited.
Antwoorden
Siamese-TDNN — veelgestelde vragen
Siamese-TDNN— wie heeft het gemaakt?
Het werd gepubliceerd door Bell Laboratories, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
Siamese-TDNN— wanneer is het uitgebracht?
Het werd gepubliceerd in August 1993. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Siamese-TDNN— 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.
Siamese-TDNN— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.3 × 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.
Siamese-TDNN— 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.
Siamese-TDNN— 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.
Siamese-TDNN— hoeveel parameters heeft het?
Het heeft een parameter telling van 0.7K. "The input is 8 by 200 units, the first convolutional layer is 6 by 192 units with each unit's receptive field covering 8 by 9 units of the input. The first averaging layer is 6 by 64 units, the second convolution layer is 4 by 57 with 6 by 8 receptive fields and the second averaging layer is 4 by 19" "Two separate sub-networks based on Time Delay Neural Networks (Lang and Hinton, 1988, Guyon et al. 1990) act on each input pattern to extract features," "All weights could be learnt, but the two sub-networks were constrained to have identical weights." L1: H=1, W=200, C=8, K=9, D=6 L2: H=1, W=64, C=6, K=8, D=4 Parameters: 7*9*8+5*8*6=744. 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.
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.