AlexNet
Χωρίς εκτίμηση
Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο
Τα βάρη αυτού του μοντέλου δεν έχουν δημοσιευθεί, επομένως δεν μπορεί να κατεβεί ή να τρέξει σε δικό σας υλικό οποιουδήποτε μεγέθους. Είναι προσβάσιμο μόνο μέσω του παρόχου του και καμία κάρτα γραφικών δεν το αλλάζει αυτό.
Σε εγγραφή
Πλήρης προδιαγραφή
Όλα τα δεδομένα σχετικά με αυτό το μοντέλο. Τα περισσότερα περιγράφουν πώς εκπαιδεύτηκε παρά πώς τρέχει — χρήσιμο πλαίσιο για την αξιολόγηση του πόσο δουλειά απαιτήθηκε και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα.
Προέλευση
Ποιος δημιούργησε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε;
- Οργάνωση
- University of Toronto
- Τύπος οργάνωσης
- Academia
- Χώρα
- Canada
- Δημοσιευμένο
- 30 September 2012
- Συγγραφείς
- Alex Krizhevsky, Ilya Sutskever, Geoffrey Hinton
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες κατασκευάστηκε το μοντέλο. Ένα μοντέλο μπορεί να περιέχει αρκετές από κάθε μία.
- Τομέας
- Vision
- Εντολή
- Image classification
- Αριθμητική μορφή
- FP32
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα εκπαιδεύτηκε. Οι παράμετροι είναι το νούμερο που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.
- Παραμέτροι
- 60M
- Δεδομένα εκπαίδευσης
- 2,457,600,000 tokens
"Our neural network architecture has 60 million parameters."
"ImageNet is a dataset of over 15 million labeled high-resolution images belonging to roughly 22,000 categories. The images were collected from the web and labeled by human labelers using Amazon’s Mechanical Turk crowd-sourcing tool. Starting in 2010, as part of the Pascal Visual Object Challenge, an annual competition called the ImageNet Large-Scale Visual Recognition Challenge (ILSVRC) has been held. ILSVRC uses a subset of ImageNet with roughly 1000 images in each of 1000 categories. In all, …
Υπολογιστική εκπαίδευση
Η αριθμητική που εκτελείται για την εκπαίδευση του μοντέλου, μετρημένη σε αριθμητικές πράξεις κινητής υποδιαστολής. Είναι ένα μέτρο του κόστους της εκπαίδευσης, όχι πόσο γρήγορα απαντά το ολοκληρωμένο μοντέλο.
- Υπολογιστική εκπαίδευση
- 4.7 × 10¹⁷ FLOP
- Πώς ιδρύθηκε
- Operation counting,Hardware,Third-party estimation
1.2M images * 90 epochs * 0.75 GFLOP * (2 add-multiply) * (3 backward pass) = 470 PF = 0.0054 pfs-days Source: https://openai.com/blog/ai-and-compute/ Hardware method: 2 GTX 580 3GB GPUs for "between five and six days". Assuming 5.5 days and 32-bit training: 1.581 TFLOPS * 5.5 days * 2 = 1.5e18 FLOP Comparing to the operation counting method, this implies around 31% MFU. Authors of "AI and Memory Wall" (https://github.com/amirgholami/ai_and_memory_wall) estimated model's training compute as …
Η εκπαίδευση
Τι χρειάστηκε φυσικά για να εκπαιδεύσουμε: ποια τσιπ, πόσα, για πόσο καιρό, και τι αυτό τραβούσε από τον τοίχο.
- Εκπαίδευση υλικού
- NVIDIA GeForce GTX 580
- Χρόνος τοίχου
- 132 hours
- Χρήση υλικού
- MFU 31.3%
- Compute cost
- $16
"Our network takes between five and six days to train on two GTX 580 3GB GPUs."
Operation counting approach for compute estimate implies 470 PFLOP. Their hardware, 2 GTX 580 GPUs, would perform 1500 PFLOPs if operating in 32-bit for 5.5 days. This implies a model FLOP utilization rate of 31.3%. MFU = 470 PFLOP / 1500 PFLOP = 0.3133
Πώς ταξινομείται
Ετικέτες που εφαρμόζει το πηγαίο σύνολο δεδομένων κατά την παρακολούθηση σημαντικών μοντέλων, και πόσο σίγουρο είναι για την είσοδο.
- Frontier model
- Yes
- Γιατί παρακολουθείται
- Highly cited,Historical significance
- Καταγραφή εμπιστοσύνης
- Confident
- Αναφορές
- 125,497
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία.
- Αναφορά
- ImageNet Classification with Deep Convolutional Neural Networks
- Τελευταία ενημέρωση
- 1 January 2026
Τι σημαίνουν οι αριθμοί
Ιστορικό
AlexNet was published by University of Toronto, in Canada, in September 2012. academia is the category the publisher falls under.
It works in Vision, and is recorded as doing image classification.
Τα βάρη του δεν δημοσιεύθηκαν ποτέ, οπότε μπορεί να αποκτηθεί μόνο μέσω του παρόχου του. Καμία κάρτα γραφικών δεν αλλάζει αυτό.
Εκπαίδευση και προέλευση
Producing it required around 4.7 × 10¹⁷ FLOP of arithmetic, on NVIDIA GeForce GTX 580, which is a statement about the training budget rather than about inference.
Around 2,457,600,000 tokens went into training it.
It is tracked in the underlying dataset for one reason in particular: highly cited,Historical significance.
Απαντήσεις
AlexNet — Συχνές ερωτήσεις
Who created AlexNet?
AlexNet was published by University of Toronto, based in Canada, categorised as academia.
When was AlexNet released?
AlexNet was published in September 2012. 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 AlexNet used for?
AlexNet works in Vision, and is recorded as handling image classification. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train AlexNet?
Around 4.7 × 10¹⁷ FLOP, on NVIDIA GeForce GTX 580. 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 AlexNet?
None. AlexNet 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 AlexNet open source?
The licensing for AlexNet was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does AlexNet have?
AlexNet has 60M parameters. "Our neural network architecture has 60 million parameters.". That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Η άλλη κατεύθυνση
Βλέποντάς το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινάει από το μοντέλο. Αν ήδη διαθέτετε μια κάρτα και θέλετε να γνωρίζετε όλα όσα θα τρέξει, Ξεκινήστε από το υλικό αντί..