PolyNet
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
- Chinese University of Hong Kong (CUHK)
- Typ organizace
- Academia
- Země
- Hong Kong
- Publikováno
- 17 November 2016
- Autoři
- X Zhang, Z Li, C Change Loy
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Image classification
- 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
- 92M
- Výcviková data
- 1,280,000 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
- 6.4 × 10¹⁹ FLOP
- Jak bylo ustanoveno
- Comparison with other models,Operation counting
Section 5: "ResNet-500 [has] similar computation costs to our Very Deep PolyNet". ResNet-152 has 11.3e9 FLOP per forward pass (https://arxiv.org/abs/1512.03385, Table 1). Hence ResNet-500 has approx 3.7e10 = 11.3e9*500/152 FLOP per forward pass. 560k iterations, batch size 512: Train compute = 3.7e10*3*2*560e3 * 512 = 6.4e19
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA GeForce GTX TITAN X
- Používané čipy
- 32
- Příkon
- 16.8 kW
- Náklady na výpočet
- $617
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Proč je to sledováno
- SOTA improvement
- Záznam důvěry
- Likely
- Citace
- 282
"The Very Deep PolyNet, designed following this direction, demonstrates substantial improvements over the state-of-the-art on the ILSVRC 2012 benchmark. Compared to Inception-ResNet-v2, it reduces the top-5 validation error on single crops from 4.9% to 4.25%, and that on multi-crops from 3.7% to 3.45%."
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- PolyNet: A Pursuit of Structural Diversity in Very Deep Networks
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
O tomto modelu
PolyNet byl zveřejněn Chinese University of Hong Kong (CUHK), v zemi zaznamenané jako Hong Kong, během November 2016. Vydavatelská organizace 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
Trenovací běh spotřeboval asi 6.4 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako NVIDIA GeForce GTX TITAN X. 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
Důvod, proč se to v tomto katalogu vůbec objevuje: sOTA improvement.
Odpovědi
PolyNet — běžné otázky
PolyNet— kolik má parametrů?
Má počet parametrů 92M. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
PolyNet— Kdo to vytvořil?
Bylo to publikováno společností Chinese University of Hong Kong (CUHK), zakládající se na Hong Kong, organizace zařazená jako academia.
PolyNet— Kdy byl vydán?
Bylo to zveřejněno v November 2016. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
PolyNet— 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.
PolyNet— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 6.4 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako NVIDIA GeForce GTX TITAN X. 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.
PolyNet— 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.
PolyNet— 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.