PNASNet-5
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
- Johns Hopkins University,Google AI,Stanford University
- Typ organizace
- Academia,Industry,Academia
- Země
- United States of America
- Publikováno
- 2 December 2017
- Autoři
- C Liu, B Zoph, M Neumann, J Shlens
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
- 86.1M
- Výcviková data
- 1,280,000 tokens
Table 5
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
- 6.6 × 10¹⁹ FLOP
- Jak bylo ustanoveno
- Comparison with other models
8 times less compute than Zoph (2018), which used 500 p100s for 4 days. (From Imagenet paper-data, Besiroglu et al., forthcoming)
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Likely
- Citace
- 2,140
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Progressive Neural Architecture Search
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Odkud to přišlo
PNASNet-5 byl zveřejněn Johns Hopkins University,Google AI,Stanford University, v zemi zaznamenané jako United States of America, během December 2017. Kategorie, do které vydavatel spadá, je academia,Industry,Academia.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol image classification.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Co bylo zapotřebí k jeho vybudování
Trenovací běh spotřeboval asi 6.6 × 10¹⁹ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 1,280,000 tokeny textu
Odpovědi
PNASNet-5 — běžné otázky
PNASNet-5— Kdy byl vydán?
Bylo to zveřejněno v December 2017. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
PNASNet-5— 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.
PNASNet-5— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 6.6 × 10¹⁹ 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.
PNASNet-5— 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.
PNASNet-5— Je to OPEN SOURCE?
Licencování nikdy nebylo zaznamenáno v našich zdrojových datech. Neuváděné licencování považujeme za uzavřené, protože nezaznamenaná licence není na kterou by se dalo spoléhat.
PNASNet-5— kolik má parametrů?
Má počet parametrů 86.1M. Table 5. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
PNASNet-5— Kdo to vytvořil?
Bylo to publikováno společností Johns Hopkins University,Google AI,Stanford University, zakládající se na United States of America, organizace zařazená jako academia,Industry,Academia.
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.