3-ensemble of Self-ensembles on CIFAR-100
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- Google DeepMind
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 8 August 2024
- Autoři
- Stanislav Fort, Balaji Lakshminarayanan
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Image classification
- Základní model
- ResNet-152 (ImageNet)
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 60.2M
- Výcviková data
- tokens
- Epochy
- 13
as in resnet-152
"We focused on the CIFAR-* datasets (Krizhevsky, 2009; Krizhevsky et al.) that comprise 50,000 32 × 32 × 3 images. We arbitrarily chose 𝑁 = 4 and the resolutions we used are 32 × 32, 16 × 16, 8 × 8, 4 × 4 (see Figure 3)." Assuming (!) each image (32×32+16×16+8×8+4×4)×3 = 4080 tokens then the entire dataset was 50,000*4080 = 204000000 tokens
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Jak bylo ustanoveno
- Operation counting,Hardware
- Ladění výpočtů
- 9.6 × 10¹⁷ FLOP
6ND = 6 FLOP / token / parameter * 60200000 parameters* 204000000 tokens * 13 epochs = 9.579024e+17 FLOP "On an A100, the Colab runs for 20 min for the backbone training (6 epochs) but more epochs and especially lower learning rate training later helps. " 312000000000000 FLOP / GPU / sec [bf16 assumed] * 1 GPU * 20 minutes *60 sec / minute * 0.3 [assumed utilization] = 1.1232e+17 FLOP (an underestimation since the training took more epochs)
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA A100
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Open source
MIT license https://github.com/stanislavfort/ensemble-everything-everywhere
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Likely
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Ensemble everything everywhere: Multi-scale aggregation for adversarial robustness
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Pozadí
3-ensemble of Self-ensembles on CIFAR-100 byl zveřejněn Google DeepMind, v zemi zaznamenané jako United States of America, během August 2024. Vychází z organizace, která je kategorizována jako industry.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol image classification.
Jeho výchozím bodem byl existující základní model, ResNet-152 (ImageNet). Většina modelů na této úrovni je přizpůsobena z existující základny namísto toho, aby byla vytvořena od nuly.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Odpovědi
3-ensemble of Self-ensembles on CIFAR-100 — běžné otázky
3-ensemble of Self-ensembles on CIFAR-100— Kdo to vytvořil?
Bylo to publikováno společností Google DeepMind, zakládající se na United States of America, organizace zařazená jako industry.
3-ensemble of Self-ensembles on CIFAR-100— Kdy byl vydán?
Bylo to zveřejněno v August 2024. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
3-ensemble of Self-ensembles on CIFAR-100— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol image classification. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
3-ensemble of Self-ensembles on CIFAR-100— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
3-ensemble of Self-ensembles on CIFAR-100— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
3-ensemble of Self-ensembles on CIFAR-100— kolik má parametrů?
Má počet parametrů 60.2M. as in resnet-152. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.