DistBelief Vision
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
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 3 December 2012
- Autoři
- J. Dean, G. Corrado, R. Monga, Kai Chen, M. Devin, Quoc V. Le, Mark Z. Mao, Marc'Aurelio Ranzato, A. Senior, P. Tucker, Ke Yang, A. Ng
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
- 1.7B
- Výcviková data
- 16,000,000 tokens
"we used Downpour SGD to train the 1.7 billion parameter image model"
For visual object recognition we trained a larger neural network with locally-connected receptive fields on the ImageNet data set of 16 million images
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,Highly cited
- Záznam důvěry
- Likely
" We have successfully used our system to train a deep network 30x larger than previously reported in the literature, and achieves state-of-the-art performance on ImageNet"
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Large Scale Distributed Deep Networks
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Odkud to přišlo
DistBelief Vision byl zveřejněn Google, v zemi zaznamenané jako United States of America, během December 2012. Vychází z organizace, která je kategorizována jako industry.
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
Bylo to trénováno na korpusu asi 16,000,000 tokeny textu
Je sledováno v základním datasetu z jednoho konkrétního důvodu: sOTA improvement,Highly cited.
Odpovědi
DistBelief Vision — běžné otázky
DistBelief Vision— K čemu se to používá?
funguje v oblasti Vision, a je zaznamenáno jako zpracovávající úkol image classification. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
DistBelief Vision— 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.
DistBelief Vision— 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.
DistBelief Vision— kolik má parametrů?
Má počet parametrů 1.7B. "we used Downpour SGD to train the 1.7 billion parameter image model". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
DistBelief Vision— Kdo to vytvořil?
Bylo to publikováno společností Google, zakládající se na United States of America, organizace zařazená jako industry.
DistBelief Vision— Kdy byl vydán?
Bylo to zveřejněno v December 2012. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
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.