EfficientNetV2-XL TPS kalkulátor

Otevřít váhy Google,Google Brain 208M parametry June 2021

Každá karta níže je hodnocena podle tohoto modelu na základě délky kontextu a minimální kvality, kterou si zvolíte. Rychlost je odhad pro jednotlivý požadavek, vypočítaná z paměťové šířky karty a velikosti modelu po kompresi..

Vypočteno pro tento model

818 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

Tesla C1080

4 GB · Q8_0 · 177 tok/s

Nejrychlejší karta

B200

16,290 tok/s · 180 GB

Které GPU mohou spustit EfficientNetV2-XL?

Nastavte vstupy, přečtěte si odpověď

Delší konverzace potřebuje více paměti, což může tento model vytlačit z menších karet..

Skrývá karty, které by se do modelu vešly pouze jeho stlačením pod tento bod.

818 karty odpovídají

Vypočítávání
Potřebuje Kvantisace Pohodlné
16,290 tok/s

9,774–26,063 · nízká důvěra

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 0.9 GB Q8_0 Pohodlný
16,290 tok/s

9,774–26,063 · nízká důvěra

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 0.9 GB Q8_0 Pohodlný
13,008 tok/s

7,805–20,812 · nízká důvěra

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 0.9 GB Q8_0 Pohodlný
13,008 tok/s

7,805–20,812 · nízká důvěra

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 0.9 GB Q8_0 Pohodlný
10,403 tok/s

6,242–16,645 · nízká důvěra

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 0.9 GB Q8_0 Pohodlný
9,957 tok/s

5,974–15,931 · nízká důvěra

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 0.9 GB Q8_0 Pohodlný
9,957 tok/s

5,974–15,931 · nízká důvěra

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 0.9 GB Q8_0 Pohodlný
9,529 tok/s

5,718–15,247 · nízká důvěra

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 0.9 GB Q8_0 Pohodlný
8,457 tok/s

5,074–13,532 · nízká důvěra

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 0.9 GB Q8_0 Pohodlný
8,457 tok/s

5,074–13,532 · nízká důvěra

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 0.9 GB Q8_0 Pohodlný
8,457 tok/s

5,074–13,532 · nízká důvěra

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 0.9 GB Q8_0 Pohodlný
8,023 tok/s

4,814–12,836 · nízká důvěra

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 0.9 GB Q8_0 Pohodlný
6,842 tok/s

4,105–10,947 · nízká důvěra

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.9 GB Q8_0 Pohodlný
6,842 tok/s

4,105–10,947 · nízká důvěra

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 0.9 GB Q8_0 Pohodlný
6,842 tok/s

4,105–10,947 · nízká důvěra

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 0.9 GB Q8_0 Pohodlný
6,842 tok/s

4,105–10,947 · nízká důvěra

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.9 GB Q8_0 Pohodlný
6,842 tok/s

4,105–10,947 · nízká důvěra

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 0.9 GB Q8_0 Pohodlný
5,209 tok/s

3,126–8,335 · nízká důvěra

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 0.9 GB Q8_0 Pohodlný
5,209 tok/s

3,126–8,335 · nízká důvěra

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 0.9 GB Q8_0 Pohodlný
4,341 tok/s

2,605–6,946 · nízká důvěra

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 0.9 GB Q8_0 Pohodlný
4,249 tok/s

2,549–6,798 · nízká důvěra

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 0.9 GB Q8_0 Pohodlný
4,154 tok/s

2,492–6,646 · nízká důvěra

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 0.9 GB Q8_0 Pohodlný
4,154 tok/s

2,492–6,646 · nízká důvěra

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 0.9 GB Q8_0 Pohodlný
4,154 tok/s

2,492–6,646 · nízká důvěra

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 0.9 GB Q8_0 Pohodlný
4,154 tok/s

2,492–6,646 · nízká důvěra

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 0.9 GB Q8_0 Pohodlný

Rychlosti jsou odhady pro jednoho žadatele — jednu konverzaci najednou — vypočítané z šířky pásma paměti, velikosti modelu a kvantizace. Skutečný průchod se liší s výkonem inference a jeho verzí. Čísla zveřejněná výrobci hardwaru měří mnoho simultánních požadavků a jsou mnohem vyšší..

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,Google Brain
Typ organizace
Industry,Industry
Země
United States of America
Publikováno
23 June 2021
Autoři
Mingxing Tan, Quoc V. Le

Co to dělá

Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.

Doména
Vision
Úkol
Image classification, Neural Architecture Search - NAS
Přístup
Supervised
Číselný formát
FP16

Velikost

Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.

parametry
208M

208M for XL version (Table 7, page 7)

Výcviková data
14,180,000 tokens

"ImageNet21k (Russakovsky et al., 2015) contains about 13M training images with 21,841 classes. The original ImageNet21k doesn’t have train/eval split, so we reserve randomly picked 100,000 images as validation set and use the remaining as training set... After pretrained on ImageNet21k, each model is finetuned on ILSVRC2012 for 15 epochs using cosine learning rate decay." 12.9M + 1.28M ~= 14,180,000

Epochy
30
Velikost dávky
4,096

"Each model is trained for 350 epochs with total batch size 4096"

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.

Výpočty pro trénink
9.6 × 10¹⁹ FLOP

Table 7, page 7: 45 hours on 32 TPUv3 cores. "Each v3 TPU chip contains two TensorCores." TPU performance per chip = 123e12 FLOP/s 32 cores = 16 chips 123e12 FLOP/s per chip * (32 cores / 2 cores per chip) * 45 hours * 3600 seconds/hour * 0.30 utilization = 9.56e19 FLOP https://www.wolframalpha.com/input?i=123+terahertz+*+16+*+45+hours+*+0.3

Jak bylo ustanoveno
Hardware

Tréninkový běh

Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.

Tréninkový hardware
Google TPU v3
Používané čipy
16
Doba reálného času
45 hours

Table 7

Příkon
14.6 kW
Náklady na výpočet
$104

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
Open — downloadable
Přístup k modelu
Open weights (unrestricted)
Tréninkový kód
Open source

code and weights: https://github.com/google/automl/tree/master/efficientnetv2 Apache-2.0 license

Jak je to klasifikováno

Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.

Proč je to sledováno
Highly cited,SOTA improvement

"EfficientNetV2 achieves 87.3% top-1 accuracy on ImageNet ILSVRC2012, outperforming the recent ViT by 2.0% accuracy while training 5x-11x faster using the same computing resources."

Záznam důvěry
Confident
Citace
4,324

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
EfficientNetV2: Smaller Models and Faster Training
Nap poslední aktualizace
25 May 2026

Extrémy

Deset nejrychlejších GPU, které běží EfficientNetV2-XL

Seřazeno podle odhadovaných tokenů za sekundu, nejnovější karta první, kde se rychlosti shodují. Protože generování je omezeno šířkou pásma paměti, toto řazení následuje šířku pásma spíše než jakýkoli herní benchmark..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 16,290 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 16,290 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 13,008 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 13,008 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 10,403 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 9,957 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 9,957 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 9,529 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 8,457 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 8,457 tok/s

Nejmenší GPU, které ještě běží EfficientNetV2-XL

Nejlevnější cesta dovnitř, podle kapacity paměti. Těsný fit spustí model, ale nenechá nic navíc na delší konverzaci..

  1. 01 GeForce RTX 4010 4 GB · Potřebuje 0.9 GB · Q8_0 · Pohodlný 195 tok/s
  2. 02 RTX A400 4 GB · Potřebuje 0.9 GB · Q8_0 · Pohodlný 195 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Potřebuje 0.9 GB · Q8_0 · Pohodlný 261 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Potřebuje 0.9 GB · Q8_0 · Pohodlný 391 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Potřebuje 0.9 GB · Q8_0 · Pohodlný 69.5 tok/s
  6. 06 Radeon RX 6450M 4 GB · Potřebuje 0.9 GB · Q8_0 · Pohodlný 203 tok/s
  7. 07 Radeon RX 6550M 4 GB · Potřebuje 0.9 GB · Q8_0 · Pohodlný 229 tok/s
  8. 08 Radeon RX 6550S 4 GB · Potřebuje 0.9 GB · Q8_0 · Pohodlný 203 tok/s
  9. 09 Arc A310 4 GB · Potřebuje 0.9 GB · Q8_0 · Pohodlný 164 tok/s
  10. 10 Arc Pro A30M 4 GB · Potřebuje 0.9 GB · Q8_0 · Pohodlný 169 tok/s

Co čísla znamenají

Co je potřeba k provozování tohoto modelu

Minimum karta

Tesla C1080

Potřeba paměti

0.9 GB

Nejrychlejší

16,290 tok/s

EfficientNetV2-XL dosahuje počtu parametrů 208M. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 818.

Nejmenší karta, která to pojme, je Tesla C1080, s kapacitou VRAM 4 GB, spuštění na kompresi Q8_0 a vyrábějí kolem 177 tokenů za sekundu

Nejrychlejší výsledek pochází z B200, generování přibližně 16,290 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

Co je tento MODEL

EfficientNetV2-XL byl zveřejněn Google,Google Brain, v zemi zaznamenané jako United States of America, během June 2021. Vychází z organizace, která je kategorizována jako industry,Industry.

funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol image classification, Neural Architecture Search - NAS.

Zveřejněné váhy znamenají, že model běží na vašem stroji, nikoli na stroji někoho jiného, což činí otázku ohledně hardwaru níže odpovídatelnou.

Co rozhoduje o rychlosti

Mediánový výsledek je kolem 457.4 tokens za sekundu. Překračující rychlost čtení rovnou: 818 z nich

Je to hustý model, takže každý parametr je čten pro každý token vyprodukovaný. To dělá rychlost téměř přesně sledovat paměťovou šířku pásma — karta s dvojnásobnou šířkou pásma generuje přibližně dvojnásobně rychle.

Paměť zde je odhadována podle velikosti, spíše než aby byla vypočtena z architektury, která není pro tento model zaznamenána — čísla jsou spíše indikativní než přesná.

Co bylo zapotřebí k jeho vybudování

Trénování si vyžádalo výpočetní rozpočet přibližně 9.6 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako Google TPU v3. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Trénink spotřeboval korpus kolem 14,180,000 tokeny textu

Je sledováno v základním datasetu z jednoho konkrétního důvodu: highly cited,SOTA improvement.

Krok za krokem

Jak vybrat GPU pro EfficientNetV2-XL

Stůl výše již posoudil každou kartu, pro kterou máme specifikace, proti tomuto modelu. Dostání se k vaší odpovědi trvá šest kroků.

  1. 01

    Přečtěte si nejprve číslo paměti

    Každá KARTA zde byla zkontrolována proti EfficientNetV2-XL, potřebující kolem 0.9 GB při kompresi Q8_0. Kapacita je brána — karta buď ji má, nebo ne.

  2. 02

    Přizpůsobte kontext svému skutečnému použití

    Delší konverzace spotřebovávají paměť navíc k tomu, co potřebují váhy. Posuňte jezdec na svou skutečnou pracovního délku, než důvěřujete jakémukoliv řádku pro EfficientNetV2-XL.

  3. 03

    Vyberte, jak moc to budete komprimovat.

    Každá KARTA spouští nejméně komprimovanou kopii, kterou může udržet., dosahující komprese Q8_0 na nejmenší kartě, která se vejde. Nastavení minimální kvality odstraňuje karty, které pouze splňují tuto kvalitu tím, že ji dále stlačují více, než byste chtěli, a udržuje srovnání na jedné úrovni.

  4. 04

    Hodnoťte podle propustnosti spíše než podle specifikace

    Seřaďte podle rychlosti, abyste viděli, jak si karty vedou. EfficientNetV2-XL. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 16,290 tok/s

  5. 05

    Přečtěte si poslední sloupec fit

    Tight fit běží, ale nenechává nic navíc pro delší konverzaci, v případě EfficientNetV2-XL. Pohodlný znamená, že můžete později zvětšit kontext. Ten rozdíl má větší význam než pár tokenů za sekundu, takže kupte pro pohodlné, pokud to očekáváte.

  6. 06

    Zkontrolujte kartu z druhé strany

    Sledování KARTY až na její vlastní stránku ukazuje každý jiný model, který může držet, což je otázka, která následuje, jakmile se rozhodnete pro EfficientNetV2-XL.

Odpovědi

EfficientNetV2-XL — běžné otázky

01

EfficientNetV2-XL— K čemu se to používá?

funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol image classification, Neural Architecture Search - NAS. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.

02

EfficientNetV2-XL— kde si to mohu stáhnout?

Váhy jsou zveřejněny, i když nemáme odkaz na repozitář. Tato stránka vypočítává hardwarové požadavky spíše než aby hostila modelové soubory.

03

EfficientNetV2-XL— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 9.6 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako Google TPU v3. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.

04

EfficientNetV2-XL— Mohu to spustit, pokud se to nevejde do mé GPU?

Částečně. Vrstvy, které se nevejdou, sedí v systémové paměti a běží jen při zlomku rychlosti, takže většinou odložený model není často použitelný. Každá postava zde předpokládá, že celý model je umístěn na kartě.

05

EfficientNetV2-XL— Běhalo by to rychleji na dvou GPU?

Dvě karty koupit paměť spíše než rychlost, což záleží pouze pokud jedna karta to nemůže udržet. Číslo, které může: 818. Takže druhá karta je tu zřídka odpovědí.

06

EfficientNetV2-XL— proč se kvantizace liší mezi kartami?

Větší karta obsahuje přesnější kopii. Počet úrovní komprese používaných na kartách, které ji provádějí: 1. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

07

EfficientNetV2-XL— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 9,774–26,063 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

08

EfficientNetV2-XL— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je Tesla C1080, s kapacitou VRAM 4 GB. Spouští model při kompresi Q8_0 používající přibližně 0.9 GB, a produkuje přibližně 177 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

09

EfficientNetV2-XL— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 16,290 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 818.

10

EfficientNetV2-XL— kolik VRAM potřebuje?

Potřebuje asi 0.9 GB při kompresi Q8_0, která je ta nejmenší karta, která to používá. Méně komprese vyžaduje více: čísla ve sloupci paměti výše jsou přepočítána pro každou kartu, protože každá drží nejméně komprimovanou verzi, kterou může.

11

EfficientNetV2-XL— mohu to spustit na GPU držící 8 GB?

Ano. GPU kartu CMP 170HX 8 GB, držení 8 GB, provozuje ho při kompresi Q8_0, používající přibližně 0.9 GB a generováním zhruba 3,034 tokenů za sekundu. Fit je pohodlný.

12

EfficientNetV2-XL— mohu to spustit na GPU držící 12 GB?

Ano. GPU kartu GeForce RTX 3080 Ti, držení 12 GB, provozuje ho při kompresi Q8_0, používající přibližně 0.9 GB a generováním zhruba 1,858 tokenů za sekundu. Fit je pohodlný.

13

EfficientNetV2-XL— mohu to spustit na GPU držící 16 GB?

Ano. GPU kartu Tesla V100 SXM2 16 GB, držení 16 GB, provozuje ho při kompresi Q8_0, používající přibližně 0.9 GB a generováním zhruba 2,301 tokenů za sekundu. Fit je pohodlný.

14

EfficientNetV2-XL— mohu to spustit na GPU držící 24 GB?

Ano. GPU kartu GeForce RTX 5090 D V2, držení 24 GB, provozuje ho při kompresi Q8_0, používající přibližně 0.9 GB a generováním zhruba 2,729 tokenů za sekundu. Fit je pohodlný.

15

EfficientNetV2-XL— Je to OPEN SOURCE?

Jeho váhy jsou zveřejněny, takže si je lze stáhnout a spustit na vlastním hardwaru. Všimněte si, že open WEIGHTS není totéž co open SOURCE v plném smyslu — neříká nic o tréninkových datech, tréninkovém kódu nebo obchodních podmínkách připojených.

16

EfficientNetV2-XL— kolik má parametrů?

Má počet parametrů 208M. 208M for XL version (Table 7, page 7). Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

17

EfficientNetV2-XL— Kdo to vytvořil?

Bylo to publikováno společností Google,Google Brain, zakládající se na United States of America, organizace zařazená jako industry,Industry.

18

EfficientNetV2-XL— Kdy byl vydán?

Bylo to zveřejněno v June 2021. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 25 May 2026

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.

Všechny AI modely