ResNet-152 (ImageNet)
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
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
- Microsoft
- Organisationsart
- Industry
- Land
- United States of America
- Veröffentlicht
- 10 December 2015
- Autoren
- Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Vision
- Aufgabe
- Image classification
- 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.
- Parameter
- 60.2M
- Trainingsdaten
- 1,280,000 tokens
- Epochen
- 120
- Batch-Größe
- 256
Taken from https://arxiv.org/abs/1605.07146
"We evaluate our method on the ImageNet 2012 classification dataset [36] that consists of 1000 classes. The models are trained on the 1.28 million training images"
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
- 1 × 10¹⁹ FLOP
- Wie es etabliert wurde
- Operation counting,Third-party estimation
11.3 *10^9 mult-adds per forward pass (Table 1) 2 FLOPS/ mult-add 3 for forward & backward pass 1.2 * 10^6 examples in dataset 128 epochs -> 1.041408 × 10^19 FLOP Authors of "AI and Memory Wall" (https://github.com/amirgholami/ai_and_memory_wall) estimated model's training compute as 11,000 PFLOP = 1.1*10^19 FLOP
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Warum es verfolgt wird
- Highly cited
- Aufzeichnungsgenauigkeit
- Confident
- Zitationen
- 228,517
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Deep Residual Learning for Image Recognition
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Hintergrund
ResNet-152 (ImageNet) wurde veröffentlicht von Microsoft, im Land aufgezeichnet als United States of America, während December 2015. Es stammt aus einer Organisation, die kategorisiert ist als industry.
Es funktioniert im Bereich von Vision, und wird als die Aufgabe von aufgezeichnet image classification.
Seine Gewichte wurden niemals veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarten ändern das.
Was in den Aufbau geflossen ist
Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 1 × 10¹⁹ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Training verbrauchte ein Korpus von etwa 1,280,000 Text-Tokens
Es wird aus einem bestimmten Grund im zugrunde liegenden Datensatz verfolgt: highly cited.
Antworten
ResNet-152 (ImageNet) — Häufige Fragen
ResNet-152 (ImageNet)— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in December 2015. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
ResNet-152 (ImageNet)— Wofür wird es verwendet?
Es funktioniert im Bereich von Vision, und wird als Bewältigung der Aufgabe von image classification. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
ResNet-152 (ImageNet)— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 1 × 10¹⁹ FLOP. 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.
ResNet-152 (ImageNet)— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
ResNet-152 (ImageNet)— Ist es Open-Source?
Die Lizenzierung wurde nie in unseren Quelldaten aufgezeichnet. Wir behandeln nicht angegebene Lizenzen als geschlossen, da eine nicht aufgezeichnete Lizenz keine ist, auf die man sich verlassen kann.
ResNet-152 (ImageNet)— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 60.2M. Taken from https://arxiv.org/abs/1605.07146. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
ResNet-152 (ImageNet)— Wer hat es erstellt?
Es wurde veröffentlicht von Microsoft, basiert auf United States of America, eine als kategorisierte Organisation industry.
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.