Big Transfer (BiT-M)

Uzavřené váhy Google Brain 928M parametry December 2019

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 Brain
Typ organizace
Industry
Země
United States of America
Publikováno
24 December 2019
Autoři
Alexander Kolesnikov, Lucas Beyer, Xiaohua Zhai, Joan Puigcerver, Jessica Yung, Sylvain Gelly, Neil Houlsby

Co to dělá

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

Doména
Vision
Úkol
Image classification

Velikost

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

parametry
928M

"928 million" stated directly in paper

Výcviková data
14,200,000 tokens

"We train both BiT-S and BiT-M for 90 epochs"

Epochy
90

Tréninkový běh

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

Tréninkový hardware
Google TPU v3

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
Unreleased

Jak je to klasifikováno

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

Záznam důvěry
Confident
Citace
1,361

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
Big Transfer (BiT): General Visual Representation Learning
Nap poslední aktualizace
25 May 2026

Co čísla znamenají

Odkud to přišlo

Big Transfer (BiT-M) byl zveřejněn Google Brain, v zemi zaznamenané jako United States of America, během December 2019. Vychází z organizace, která je kategorizována jako industry.

funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol image classification.

Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.

Co bylo zapotřebí k jeho vybudování

Tréninková sada běžela na přibližně 14,200,000 tokeny textu

Odpovědi

Big Transfer (BiT-M) — běžné otázky

01

Big Transfer (BiT-M)— Je to OPEN SOURCE?

Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.

02

Big Transfer (BiT-M)— kolik má parametrů?

Má počet parametrů 928M. "928 million" stated directly in paper. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

03

Big Transfer (BiT-M)— Kdo to vytvořil?

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

04

Big Transfer (BiT-M)— Kdy byl vydán?

Bylo to zveřejněno v December 2019. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

05

Big Transfer (BiT-M)— 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.

06

Big Transfer (BiT-M)— 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.

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.