SPPNet
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
- Microsoft,Xi’an Jiaotong University,University of Science and Technology of China (USTC)
- Typ organizacji
- Industry,Academia,Academia
- Kraj
- United States of America, China
- Opublikowany
- 18 June 2014
- Autorzy
- Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Image classification
- Format numeryczny
- FP32
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Dane treningowe
- 1,280,000 tokens
Section 3.1: "We train the networks on the 1000-category training set of ImageNet 2012."
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
- 3.4 × 10¹⁸ FLOP
- Jak to zostało ustalone
- Hardware
"All networks in this paper can be trained on a single GeForce GTX Titan GPU (6 GB memory) within two to four weeks." 4.7e12 FLOP/s * 4* 7*24*60*60 seconds * 0.3 utilisation
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA GeForce GTX TITAN
- Czas rzeczywisty
- 672 hours (28 days)
- Koszt obliczeniowy
- $52
"All networks in this paper can be trained on a single GeForce GTX Titan GPU (6 GB memory) within two to four weeks."
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Model Frontier
- Yes
- Dlaczego to jest śledzone
- Highly cited
- Zapisz pewność
- Confident
- Cytaty
- 12,524
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Tło
SPPNet został opublikowany przez Microsoft,Xi’an Jiaotong University,University of Science and Technology of China (USTC), w kraju zapisanym jako United States of America, podczas June 2014. Kategoria, do której należy wydawca, to industry,Academia,Academia.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie image classification.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Szkolenie i pochodzenie
Trenowanie zajęło budżet obliczeniowy wynoszący około 3.4 × 10¹⁸ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce GTX TITAN. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Zbiór treningowy trwał około 1,280,000 Tokeny tekstu.
Kryterium włączenia: highly cited.
Odpowiedzi
SPPNet — częste pytania
SPPNet— kto to stworzył?
Zostało opublikowane przez Microsoft,Xi’an Jiaotong University,University of Science and Technology of China (USTC), oparty na United States of America, organizacja sklasyfikowana jako industry,Academia,Academia.
SPPNet— kiedy to zostało wydane?
Zostało opublikowane w June 2014. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
SPPNet— do czego to służy?
Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie image classification. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
SPPNet— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 3.4 × 10¹⁸ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce GTX TITAN. 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.
SPPNet— 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.
SPPNet— czy jest open weight?
Licencja nigdy nie została zarejestrowana w naszych danych źródłowych. Traktujemy niewskazaną licencję jako zamkniętą, ponieważ niezarejestrowana licencja nie jest na którą można polegać.
SPPNet— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
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.