Two Stage Feature Extraction (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.
- Organizacja
- New York University (NYU)
- Typ organizacji
- Academia
- Kraj
- United States of America
- Opublikowany
- 1 September 2009
- Autorzy
- Kevin Jarrett, K. Kavukcuoglu, Marc'Aurelio Ranzato, Yann LeCun
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Image classification
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 258.8K
- Dane treningowe
- 50,000 tokens
- Epoki
- 33
CNN: 32*5*5+32*64*5*5=52000 FC: 1024*200+200*10=206800 Total: 52000+206800=258800
"experiments were run on the MNIST dataset, which contains 60,000 gray-scale 28x28 pixel digit images for training and 10,000 images for testing"
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
- 2.1 × 10¹³ FLOP
- Jak to zostało ustalone
- Operation counting
Assuming no padding and stride 1 “on the 50,000 non-validation training samples until the best error rate on the validation set was reached (this took 30 epochs)“ First CNN layer: 2*32*24*24*5*5=921600 Second CNN layer: 2*64*16*5*5*8*8=3276800 First FC layer: 2*4*4*64*200=409600 Second FC layer: 2*200*10=4000 Total forward FLOP: 921600+3276800+409600+4000=4612000 Totral training compute: 4612000*3*30*50000=20754000000000 They train another model in this paper that I think is at least an order o…
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
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- Highly cited,SOTA improvement
- Zapisz pewność
- Confident
They claim SOTA performance on the MNIST and NORB datasets. Is also highly cited
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- What is the best multi-stage architecture for object recognition?
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
O tym modelu
Two Stage Feature Extraction (MNIST) został opublikowany przez New York University (NYU), w kraju zapisanym jako United States of America, podczas September 2009. 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.
Jak to zostało wytrenowane
Trening zajmował około 2.1 × 10¹³ 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.
Powód, dla którego w ogóle pojawia się w tym katalogu: highly cited,SOTA improvement.
Odpowiedzi
Two Stage Feature Extraction (MNIST) — częste pytania
Two Stage Feature Extraction (MNIST)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Two Stage Feature Extraction (MNIST)— ile ma parametrów?
Ma liczbę parametrów równą 258.8K. CNN: 32*5*5+32*64*5*5=52000 FC: 1024*200+200*10=206800 Total: 52000+206800=258800. 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.
Two Stage Feature Extraction (MNIST)— kto to stworzył?
Zostało opublikowane przez New York University (NYU), oparty na United States of America, organizacja sklasyfikowana jako academia.
Two Stage Feature Extraction (MNIST)— kiedy to zostało wydane?
Zostało opublikowane w September 2009. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Two Stage Feature Extraction (MNIST)— 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.
Two Stage Feature Extraction (MNIST)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.1 × 10¹³ 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.
Two Stage Feature Extraction (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.
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.