DCNN
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- University of Maryland,Rutgers University
- Typ organizacji
- Academia,Academia
- Kraj
- United States of America
- Opublikowany
- 7 August 2015
- Autorzy
- Jun-Cheng Chen, Vishal M. Patel, Rama Chellappa
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Face verification
- Podejście
- Supervised
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 5M
- Dane treningowe
- 490,356 tokens
- Epoki
- 26
Table 1
"The CASIA-WebFace dataset contains 494,414 face images of 10,575 subjects downloaded from the IMDB website. After removing the 27 overlapping subjects with the IJB-A dataset, there are 10548 subjects 1 and 490,356 face images."
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 4.8 × 10¹⁷ FLOP
- Jak to zostało ustalone
- Operation counting,Hardware
Total compute: 1535436288 forward pass flops *3* 1000000 iterations * 128 batch size = 589607534592000000 FLOP = 5.89607534592e17 FLOP Forward pass FLOPs based on CNN details in Table 1: Conv11: 2*3*3*32*100*100*1=5760000 Conv12: 2*3*3*64*100*100*32=368640000 Conv21: 2*3*3*64*50*50*64=184320000 Conv22: 2*3*3*64*50*50*128=368640000 Conv32: 2*3*3*128*25*25*96=138240000 Conv33: 2*3*3*96*25*25*192=207360000 Conv41: 2*3*3*192*13*13*128=74760192 Conv42: 2*3*3*128*13*13*256=99680256 Conv51: 2*3*3*256*…
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA Tesla K40c
- Zastosowane chipy
- 1
- Czas rzeczywisty
- 216 hours (9 days)
- Pobór mocy
- 286 W
"The DCNN model is trained for about 9 days using NVidia Tesla K40."
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
- Kod treningowy
- Unreleased
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- SOTA improvement
- Zapisz pewność
- Confident
https://paperswithcode.com/sota/face-verification-on-ijb-a
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Unconstrained Face Verification using Deep CNN Features
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
O tym modelu
DCNN został opublikowany przez University of Maryland,Rutgers University, w kraju zapisanym jako United States of America, podczas August 2015. Organizacja publikująca jest klasyfikowana jako academia,Academia.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie face verification.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Co poszło w budowę tego
Trenowanie zajęło budżet obliczeniowy wynoszący około 4.8 × 10¹⁷ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Tesla K40c. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Trening zużył korpus około 490,356 Tokeny tekstu.
Powód, dla którego w ogóle pojawia się w tym katalogu: sOTA improvement.
Odpowiedzi
DCNN — częste pytania
DCNN— kiedy to zostało wydane?
Zostało opublikowane w August 2015. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
DCNN— do czego to służy?
Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie face verification. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
DCNN— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 4.8 × 10¹⁷ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Tesla K40c. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
DCNN— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
DCNN— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
DCNN— ile ma parametrów?
Ma liczbę parametrów równą 5M. Table 1. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
DCNN— kto to stworzył?
Zostało opublikowane przez University of Maryland,Rutgers University, oparty na United States of America, organizacja sklasyfikowana jako academia,Academia.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.