ProxylessNAS
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte dieses Modells sind OPEN, aber es wurde keine Parameteranzahl veröffentlicht. Jede MEMORY- und Geschwindigkeitszahl basiert auf dieser Zahl, daher zeigen wir lieber nichts als eine erfundene Schätzung..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Massachusetts Institute of Technology (MIT)
- Organisationsart
- Academia
- Land
- United States of America
- Veröffentlicht
- 23 February 2019
- Autoren
- Han Cai, Ligeng Zhu, and Song Han
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Vision
- Aufgabe
- Image classification, Neural Architecture Search - NAS
- Numerisches Format
- FP32
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Trainingsdaten
- 1,230,000 tokens
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 3.7 × 10¹⁸ FLOP
- Wie es etabliert wurde
- Hardware
For their searched Imagenet models, they used 200 GPU hours on a V100 GPU. At FP32, a V100 GPU has a peak performance of 1.56E+13 FLOPS. Utilization rate of 0.33. 200 h * 3600 second / hour* 1.6e+13 flop /second * 0.33 = 3.7e+18 flop
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Trainingshardware
- NVIDIA V100
- Chip-Stunden
- 200
- Rechenkosten
- $123
Verfügbarkeit
Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.
- Gewichte
- Open — downloadable
- Modellzugang
- Open weights (unrestricted)
- Training-Code
- Open source
MIT for code+weights https://github.com/MIT-HAN-LAB/ProxylessNAS
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Aufzeichnungsgenauigkeit
- Confident
- Zitationen
- 2,054
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- ProxylessNAS: Direct neural architecture search on target task and hardware
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Woher es kam
ProxylessNAS wurde veröffentlicht von Massachusetts Institute of Technology (MIT), im Land aufgezeichnet als United States of America, während February 2019. Die Kategorie, in die der Herausgeber fällt, ist academia.
Es funktioniert im Bereich von Vision, und wird als die Aufgabe von aufgezeichnet image classification, Neural Architecture Search - NAS.
Die Gewichte sind veröffentlicht, sodass sie auf deiner eigenen Hardware unbegrenzt, offline und ohne angehängtes Konto heruntergeladen und ausgeführt werden kann.
Training und Herkunft
Der Trainingslauf verbrauchte etwa 3.7 × 10¹⁸ FLOP, auf Hardware erfasst als NVIDIA V100. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Es wurde auf einem Korpus von etwa 1,230,000 Text-Tokens
Antworten
ProxylessNAS — Häufige Fragen
ProxylessNAS— Welche GPU benötige ich, um es auszuführen?
Wir können nichts sagen. Es hat offene Gewichte, aber es wurde keine Parameteranzahl veröffentlicht, und jede Berechnung von Speicher und Geschwindigkeit basiert auf dieser Zahl. Wir würden lieber nichts zeigen als eine erfundene Schätzung.
ProxylessNAS— Ist es Open-Source?
Die Gewichte sind veröffentlicht, sodass sie heruntergeladen und auf Ihrer eigenen Hardware ausgeführt werden können. Beachten Sie, dass OPEN WEIGHTS nicht dasselbe wie OPEN SOURCE im vollen Sinne ist — es sagt nichts über die Trainingsdaten, den Trainingscode oder die damit verbundenen kommerziellen Bedingungen aus.
ProxylessNAS— Wie viele Parameter hat es?
Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.
ProxylessNAS— Wer hat es erstellt?
Es wurde veröffentlicht von Massachusetts Institute of Technology (MIT), basiert auf United States of America, eine als kategorisierte Organisation academia.
ProxylessNAS— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in February 2019. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
ProxylessNAS— Wofür wird es verwendet?
Es funktioniert im Bereich von Vision, und wird als Bewältigung der Aufgabe von image classification, Neural Architecture Search - NAS. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
ProxylessNAS— Wo kann ich es herunterladen?
Die Gewichte sind veröffentlicht, obwohl wir keinen Repository-Link dafür haben. Diese Seite berechnet die Hardware-Anforderungen, anstatt Modell-Dateien zu hosten.
ProxylessNAS— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 3.7 × 10¹⁸ FLOP, auf Hardware erfasst als NVIDIA V100. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.