Self-Attention and Convolutional Layers
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
- Ecole Polytechnique F´ed´erale de Lausanne (EPFL)
- Typ organizace
- Academia
- Země
- Switzerland
- Publikováno
- 8 November 2019
- Autoři
- Jean-Baptiste Cordonnier, Andreas Loukas & Martin Jaggi
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
- 29.5M
- Výcviková data
- tokens
- Epochy
- 300
from Table 1
size of CIFAR-10
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
- 6.8 × 10¹⁷ FLOP
- Jak bylo ustanoveno
- Operation counting
(15e9) * (300) * (50000) * 3 = 6.75e+17 (inference compute) * (epochs) * (dataset size) * (constant to account for backpropagation) epochs from appendix B table 2 inference compute from table 1
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
Apache 2.0 for train/eval code: https://github.com/epfml/attention-cnn data is CIFAR which doesn't have a clear license
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
- 630
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- On the Relationship between Self-Attention and Convolutional Layers
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Co je tento MODEL
Self-Attention and Convolutional Layers byl zveřejněn Ecole Polytechnique F´ed´erale de Lausanne (EPFL), v zemi zaznamenané jako Switzerland, během November 2019. Vychází z organizace, která je kategorizována jako academia.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol image classification.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Trénink a původ
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 6.8 × 10¹⁷ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Odpovědi
Self-Attention and Convolutional Layers — běžné otázky
Self-Attention and Convolutional Layers— Kdo to vytvořil?
Bylo to publikováno společností Ecole Polytechnique F´ed´erale de Lausanne (EPFL), zakládající se na Switzerland, organizace zařazená jako academia.
Self-Attention and Convolutional Layers— Kdy byl vydán?
Bylo to zveřejněno v November 2019. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Self-Attention and Convolutional Layers— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol image classification. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
Self-Attention and Convolutional Layers— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 6.8 × 10¹⁷ FLOP. 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.
Self-Attention and Convolutional Layers— 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.
Self-Attention and Convolutional Layers— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Self-Attention and Convolutional Layers— kolik má parametrů?
Má počet parametrů 29.5M. from Table 1. 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.