Decision tree (classification)
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
- Mitsubishi Electric Research Labs,Compaq CRL
- Typ organizacji
- Industry,Industry
- Kraj
- United States of America
- Opublikowany
- 8 December 2001
- Autorzy
- P. Viola, M. Jones
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Face recognition
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 12K
- Dane treningowe
- 753,616 tokens
Iteratively learns decision tree features, where each feature has 2 parameters (threshold and parity). They learn 6000 features total: "The complete face detection cascade has 38 stages with over 6000 features" Additional weights (see Table 1) are a temporary variable of the optimization and not part of the final model.
Section 5: 4916 hand labeled faces + 9544 non-face images = 14460
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
- 6.3 × 10¹³ FLOP
- Jak to zostało ustalone
- Operation counting
The training compute can be tediously worked out from the pseudocode. I think for dataset size D, number of filters T, the training compute is roughly 180k * D * 3 * T = 6.3e13 FLOPs The training evaluates each of 180k candidate features at each step, repeated for 6000 steps (as 1 feature is selected per round). The operations for one feature evaluation are unclear, but should be low (they only compare specific integer positions in the image). Estimated at 10op. 180000*6000*10*14460=1.56168e+…
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
- Likely
- Cytaty
- 23,449
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Rapid object detection using a boosted cascade of simple features
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
Co to jest model?
Decision tree (classification) został opublikowany przez Mitsubishi Electric Research Labs,Compaq CRL, w kraju zapisanym jako United States of America, podczas December 2001. Wychodzi z organizacji zaklasyfikowanej jako industry,Industry.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie face 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
Wytworzenie tego wymagało arytmetyki sumującej około 6.3 × 10¹³ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 753,616 Tokeny tekstu.
Jest śledzone w podstawowym zbiorze danych z jednego szczególnego powodu: highly cited.
Odpowiedzi
Decision tree (classification) — częste pytania
Decision tree (classification)— kto to stworzył?
Zostało opublikowane przez Mitsubishi Electric Research Labs,Compaq CRL, oparty na United States of America, organizacja sklasyfikowana jako industry,Industry.
Decision tree (classification)— kiedy to zostało wydane?
Zostało opublikowane w December 2001. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Decision tree (classification)— do czego to służy?
Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie face recognition. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
Decision tree (classification)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 6.3 × 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.
Decision tree (classification)— 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.
Decision tree (classification)— 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.
Decision tree (classification)— ile ma parametrów?
Ma liczbę parametrów równą 12K. Iteratively learns decision tree features, where each feature has 2 parameters (threshold and parity). They learn 6000 features total: "The complete face detection cascade has 38 stages with over 6000 features" Additional weights (see Table 1) are a temporary variable of the optimization and not part of the final model. 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.
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.