JFT
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 Research,Carnegie Mellon University (CMU)
- Typ organizace
- Industry,Academia
- Země
- United States of America
- Publikováno
- 10 July 2017
- Autoři
- Chen Sun, Abhinav Shrivastava, Saurabh Singh, Abhinav Gupta
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Image classification, Object detection, Semantic segmentation, Pose estimation
- 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.
- parametry
- 44.7M
- Výcviková data
- 5,487,300,000,000 tokens
- Epochy
- 4
- Velikost dávky
- 32
Uses ResNet-101 architecture, which has 44,654,504 parameters: https://resources.wolframcloud.com/NeuralNetRepository/resources/ResNet-101-Trained-on-ImageNet-Competition-Data/
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
- 8.4 × 10²⁰ FLOP
- Jak bylo ustanoveno
- Hardware
Tesla K80 performance: 8.13 TFLOP/s Assume 40% utilization 60 days * 50 GPUs * 40% utilization * 8.13 TFLOP/s/GPU = 8.43*10^20 FLOP
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA Tesla K80
- Používané čipy
- 50
- Čip-hodiny
- 72,000
- Doba reálného času
- 1,440 hours (60 days)
- Příkon
- 31.3 kW
- Náklady na výpočet
- $17,911
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Frontier model
- Yes
- Proč je to sledováno
- SOTA improvement
- Záznam důvěry
- Confident
- Citace
- 2,712
SOTA on COCO and PASCAL VOC
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Revisiting Unreasonable Effectiveness of Data in Deep Learning Era.
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Odkud to přišlo
JFT byl zveřejněn Google Research,Carnegie Mellon University (CMU), v zemi zaznamenané jako United States of America, během July 2017. Vydavatelská organizace je kategorizována jako industry,Academia.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol image classification, Object detection, Semantic segmentation, Pose estimation.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Jak bylo trénováno
Trenovací běh spotřeboval asi 8.4 × 10²⁰ FLOP, na hardwaru zaznamenáno jako NVIDIA Tesla K80. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 5,487,300,000,000 tokeny textu
Jeho kritérium zahrnutí: sOTA improvement.
Odpovědi
JFT — běžné otázky
JFT— kolik má parametrů?
Má počet parametrů 44.7M. Uses ResNet-101 architecture, which has 44,654,504 parameters: https://resources.wolframcloud.com/NeuralNetRepository/resources/ResNet-101-Trained-on-ImageNet-Competition-Data/. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
JFT— Kdo to vytvořil?
Bylo to publikováno společností Google Research,Carnegie Mellon University (CMU), zakládající se na United States of America, organizace zařazená jako industry,Academia.
JFT— Kdy byl vydán?
Bylo to zveřejněno v July 2017. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
JFT— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol image classification, Object detection, Semantic segmentation, Pose estimation. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
JFT— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 8.4 × 10²⁰ FLOP, na hardwaru zaznamenáno jako NVIDIA Tesla K80. 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.
JFT— 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.
JFT— 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.
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.