CNN Committee (NIST)
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
- IDSIA
- Typ organizacji
- Academia
- Kraj
- Switzerland
- Opublikowany
- 18 September 2011
- Autorzy
- D. Ciresan, U. Meier, L. Gambardella, J. Schmidhuber
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Image classification
- 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
- 128.4K
- Dane treningowe
- 3,380,475 tokens
- Epoki
- 30
1st CNN layer: 20*4*4=320 2nd CNN layer: 20*40*9*9=64800 1st FC layer: 40*3*3*150=54000 2nd FC layer: 150*62=9300 Total : 320+64800+54000+9300=128420
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
- 2.6 × 10¹⁶ FLOP
- Jak to zostało ustalone
- Operation counting,Hardware
GPU hour estimate: 30 epochs, 6 hours per network, 7 networks total 7*6*60*60*(2*1580000000000+2*1345000000000)*0.3=2.65e17 Counting estimate: 800000 training examples, 30 epochs 1st CNN layer: 2*20*26*26*4*4=432640 2nd CNN layer: 2*20*6*6*9*9*40=4665600 1st FC layer: 2*40*3*3*150=108000 2nd FC layer: 2*150*62=18600 Total: 432640+4665600+108000+18600=5224840 5224840*3*800000*30*7=2633319360000000=2.6e15 Geometric mean: sqrt(2.65e17*2.6e15)=2.6e16
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 580,NVIDIA GeForce GTX 480
- Zastosowane chipy
- 4
- Czas rzeczywisty
- 42 hours
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
- Historical significance
- Zapisz pewność
- Likely
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Convolutional Neural Network Committees for Handwritten Character Classification
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
Skąd to pochodzi
CNN Committee (NIST) został opublikowany przez IDSIA, w kraju zapisanym jako Switzerland, podczas September 2011. Kategoria, do której należy wydawca, to academia.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie image classification.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Co poszło w budowę tego
Trenowanie zajęło budżet obliczeniowy wynoszący około 2.6 × 10¹⁶ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce GTX 580,NVIDIA GeForce GTX 480. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Trening zużył korpus około 3,380,475 Tokeny tekstu.
Jest śledzone w podstawowym zbiorze danych z jednego szczególnego powodu: historical significance.
Odpowiedzi
CNN Committee (NIST) — częste pytania
CNN Committee (NIST)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
CNN Committee (NIST)— ile ma parametrów?
Ma liczbę parametrów równą 128.4K. 1st CNN layer: 20*4*4=320 2nd CNN layer: 20*40*9*9=64800 1st FC layer: 40*3*3*150=54000 2nd FC layer: 150*62=9300 Total : 320+64800+54000+9300=128420. 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.
CNN Committee (NIST)— kto to stworzył?
Zostało opublikowane przez IDSIA, oparty na Switzerland, organizacja sklasyfikowana jako academia.
CNN Committee (NIST)— kiedy to zostało wydane?
Zostało opublikowane w September 2011. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
CNN Committee (NIST)— 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.
CNN Committee (NIST)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.6 × 10¹⁶ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce GTX 580,NVIDIA GeForce GTX 480. 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.
CNN Committee (NIST)— 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.
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.