DD-PPO
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, sodass es weder heruntergeladen noch auf Ihrer eigenen Hardware in irgendeiner Größe ausgeführt werden kann. Es ist nur über seinen Anbieter zugänglich, und keine Grafikkarte ändert daran etwas.
Aufzeichnung
Vollständige Spezifikation
Alles aufzeichnungsfähig für dieses Modell. Die meisten Informationen beschreiben, wie es trainiert wurde, anstatt wie es läuft — ein nützlicher Kontext, um zu beurteilen, wie viel Arbeit investiert wurde und wie es im Vergleich zu auf einer anderen Skala entwickelten Modellen abschneidet..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Georgia Institute of Technology,Facebook AI Research,Oregon State University,Simon Fraser University
- Organisationstyp
- Academia,Industry,Academia,Academia
- Land
- United States of America, France, Canada
- Veröffentlicht
- 19 December 2019
- Autoren
- Erik Wijmans, Abhishek Kadian, Ari Morcos, Stefan Lee, Irfan Essa, Devi Parikh, Manolis Savva, Dhruv Batra
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Robotics
- Aufgabe
- Object detection
- Ansatz
- Reinforcement learning
- Numerisches Format
- FP32
Größe
Wie groß das Modell ist und wie viele Daten es trainiert wurde. Die Parameter sind die Größe, die entscheidet, ob es auf eine bestimmte Grafikkarte passt.
- Trainingsdaten
- 2,500,000,000 tokens
Training-Computing
Die zur Ausbildung des Modells durchgeführte Arithmetik, gemessen in Gleitkommaoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht wie schnell das fertige Modell Ihnen antwortet.
- Training-Computing
- 7.8 × 10²⁰ FLOP
- Wie es etabliert wurde
- Hardware
"Using DD-PPO, we train agents for 2.5 Billion steps of experience with 64 Tesla V100 GPUs in 2.75 days – 180 GPU-days of training" 125 teraFLOP/s (exact V100 model not specified) * 180 * 24 * 3600 * 0.4 (assumed utilization) = 7.8e20
Der Trainingslauf
Was physisch notwendig war, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Steckdose zog.
- Trainingshardware
- NVIDIA V100
- Verwendete Chips
- 64
- Wand-Uhrzeit
- 66 hours
- Stromverbrauch
- 39.3 kW
- Rechenkosten
- $1,927
2.75 days
Verfügbarkeit
Ob Sie das Modell erhalten und es auf Ihrer eigenen Hardware ausführen können, entscheidet darüber, ob eine der Grafikkartenfiguren auf dieser Seite zutrifft.
- Gewichte
- Closed — provider access only
- Modellzugang
- Unreleased
- Trainingscode
- Unreleased
MIT license for environment used to train. doesn't seem like it has training code for this model. https://github.com/facebookresearch/habitat-lab
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Warum es nachverfolgt wird
- SOTA improvement
- Aufzeichnungszuversicht
- Likely
- Zitationen
- 611
"This agent achieves state-of-art on the Habitat Challenge 2019 RGB track (rank 2 entry has 0.89 SPL)."
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- DD-PPO: Learning Near-Perfect PointGoal Navigators from 2.5 Billion Frames
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Woher es kam
DD-PPO was published by Georgia Institute of Technology,Facebook AI Research,Oregon State University,Simon Fraser University, in United States of America, in December 2019. It comes out of academia,Industry,Academia,Academia.
It works in Robotics, and is recorded as doing object detection.
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Wie es trainiert wurde
Training it took roughly 7.8 × 10²⁰ FLOP of computation, on NVIDIA V100 — a measure of what producing the model cost, not of how fast it answers.
The training set ran to roughly 2,500,000,000 tokens.
Der Grund, warum es überhaupt in diesem Katalog erscheint, ist sOTA-Verbesserung.
Antworten
DD-PPO — Häufig gestellte Fragen
How much compute was used to train DD-PPO?
Around 7.8 × 10²⁰ FLOP, on NVIDIA V100. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run DD-PPO?
None. DD-PPO is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is DD-PPO open source?
No. DD-PPO has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does DD-PPO have?
No parameter count has been published for DD-PPO, which is why no memory or speed figure appears on this page.
Who created DD-PPO?
DD-PPO was published by Georgia Institute of Technology,Facebook AI Research,Oregon State University,Simon Fraser University, based in United States of America, categorised as academia,Industry,Academia,Academia.
When was DD-PPO released?
DD-PPO was published in December 2019. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is DD-PPO used for?
DD-PPO works in Robotics, and is recorded as handling object detection. These are the areas it was designed around; they describe intent rather than a hard boundary.
Die andere Richtung
Wenn Sie es von der anderen Seite betrachten?
Diese Seite beginnt beim Modell. Wenn Sie bereits eine Karte besitzen und alles erfahren möchten, was es ausführen kann, Beginnen Sie stattdessen mit der Hardware.