ProxylessNAS
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti tohoto modelu jsou otevřené, ale žádný počet parametrů pro něj nebyl zveřejněn. Každé číslo týkající se paměti a rychlosti vychází z této hodnoty, takže bychom raději nic neukázali, než fabrikaovaný odhad..
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
- Massachusetts Institute of Technology (MIT)
- Typ organizace
- Academia
- Země
- United States of America
- Publikováno
- 23 February 2019
- Autoři
- Han Cai, Ligeng Zhu, and Song Han
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
- Číselný formát
- FP32
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- Výcviková data
- 1,230,000 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.
- Výpočty pro trénink
- 3.7 × 10¹⁸ FLOP
- Jak bylo ustanoveno
- Hardware
For their searched Imagenet models, they used 200 GPU hours on a V100 GPU. At FP32, a V100 GPU has a peak performance of 1.56E+13 FLOPS. Utilization rate of 0.33. 200 h * 3600 second / hour* 1.6e+13 flop /second * 0.33 = 3.7e+18 flop
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA V100
- Čip-hodiny
- 200
- Náklady na výpočet
- $123
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
MIT for code+weights https://github.com/MIT-HAN-LAB/ProxylessNAS
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
- 2,054
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- ProxylessNAS: Direct neural architecture search on target task and hardware
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Odkud to přišlo
ProxylessNAS byl zveřejněn Massachusetts Institute of Technology (MIT), v zemi zaznamenané jako United States of America, během February 2019. Kategorie, do které vydavatel spadá, je academia.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol image classification, Neural Architecture Search - NAS.
Váhy jsou zveřejněny, takže si je můžete stáhnout a spustit na své vlastní hardwaru neomezeně, offline, bez připojeného účtu.
Trénink a původ
Trenovací běh spotřeboval asi 3.7 × 10¹⁸ FLOP, na hardwaru zaznamenáno jako NVIDIA V100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 1,230,000 tokeny textu
Odpovědi
ProxylessNAS — běžné otázky
ProxylessNAS— Jakou GPU potřebuji k jejímu spuštění?
Nemůžeme říct. Má otevřené váhy, ale žádný počet parametrů pro něj nebyl zveřejněn a každý výpočet paměti a rychlosti začíná od toho čísla. Raději bychom ukázali nic než vykonstruovaný odhad.
ProxylessNAS— 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.
ProxylessNAS— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
ProxylessNAS— Kdo to vytvořil?
Bylo to publikováno společností Massachusetts Institute of Technology (MIT), zakládající se na United States of America, organizace zařazená jako academia.
ProxylessNAS— Kdy byl vydán?
Bylo to zveřejněno v February 2019. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
ProxylessNAS— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol image classification, Neural Architecture Search - NAS. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
ProxylessNAS— 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.
ProxylessNAS— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 3.7 × 10¹⁸ FLOP, na hardwaru zaznamenáno jako NVIDIA V100. 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.
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.