LCNP MNIST
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.
- Opublikowany
- 22 November 2009
- Autorzy
- Rafael Uetz, Sven Behnke
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Object recognition
- 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
- 11.6M
- Dane treningowe
- 50,000 tokens
- Epoki
- 1,000
Locally connected: 128*128*4*4*4*5 + 64*64*8*4*4*4 + 32*32*16*4*4*8 + 16*16*32*4*4*16=11534336 Classification head: 16*16*32*10=81920 Total: 11534336+81920=11616256 "five regular layers with the dimensions 256×256, 128×128, . . ., 16×16." "size of the receptive field to be 4 × 4 neurons"
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
- 4.2 × 10¹⁵ FLOP
- Jak to zostało ustalone
- Operation counting
2*11616256*3*60000*1000=4181852160000000
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
- Historical significance
- Zapisz pewność
- Confident
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Large-scale object recognition with CUDA-accelerated hierarchical neural networks
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Skąd to pochodzi
LCNP MNIST został opublikowany przez its authors, podczas November 2009.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie object recognition.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Jak to zostało wytrenowane
Trening zajmował około 4.2 × 10¹⁵ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Trening zużył korpus około 50,000 Tokeny tekstu.
Kryterium włączenia: historical significance.
Odpowiedzi
LCNP MNIST — częste pytania
LCNP MNIST— 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.
LCNP MNIST— 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.
LCNP MNIST— ile ma parametrów?
Ma liczbę parametrów równą 11.6M. Locally connected: 128*128*4*4*4*5 + 64*64*8*4*4*4 + 32*32*16*4*4*8 + 16*16*32*4*4*16=11534336 Classification head: 16*16*32*10=81920 Total: 11534336+81920=11616256 "five regular layers with the dimensions 256×256, 128×128, . . ., 16×16." "size of the receptive field to be 4 × 4 neurons". 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.
LCNP MNIST— kiedy to zostało wydane?
Zostało opublikowane w November 2009. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
LCNP MNIST— do czego to służy?
Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie object recognition. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
LCNP MNIST— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 4.2 × 10¹⁵ FLOP. 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.
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.