3-ensemble of Self-ensembles on CIFAR-100
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Google DeepMind
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 8 August 2024
- Autores
- Stanislav Fort, Balaji Lakshminarayanan
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Image classification
- Modelo base
- ResNet-152 (ImageNet)
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 60.2M
- Datos de entrenamiento
- tokens
- Épocas
- 13
as in resnet-152
"We focused on the CIFAR-* datasets (Krizhevsky, 2009; Krizhevsky et al.) that comprise 50,000 32 × 32 × 3 images. We arbitrarily chose 𝑁 = 4 and the resolutions we used are 32 × 32, 16 × 16, 8 × 8, 4 × 4 (see Figure 3)." Assuming (!) each image (32×32+16×16+8×8+4×4)×3 = 4080 tokens then the entire dataset was 50,000*4080 = 204000000 tokens
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómo se estableció
- Operation counting,Hardware
- Computación de ajuste fino
- 9.6 × 10¹⁷ FLOP
6ND = 6 FLOP / token / parameter * 60200000 parameters* 204000000 tokens * 13 epochs = 9.579024e+17 FLOP "On an A100, the Colab runs for 20 min for the backbone training (6 epochs) but more epochs and especially lower learning rate training later helps. " 312000000000000 FLOP / GPU / sec [bf16 assumed] * 1 GPU * 20 minutes *60 sec / minute * 0.3 [assumed utilization] = 1.1232e+17 FLOP (an underestimation since the training took more epochs)
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA A100
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Open source
MIT license https://github.com/stanislavfort/ensemble-everything-everywhere
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Likely
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Ensemble everything everywhere: Multi-scale aggregation for adversarial robustness
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
3-ensemble of Self-ensembles on CIFAR-100 fue publicado por Google DeepMind, en el país registrado como United States of America, durante August 2024. Sale de una organización categorizada como industry.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification.
Su punto de partida fue un modelo base existente, ResNet-152 (ImageNet). La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Respuestas
3-ensemble of Self-ensembles on CIFAR-100 — preguntas comunes
3-ensemble of Self-ensembles on CIFAR-100— ¿Quién lo creó?
Fue publicado por Google DeepMind, basado en United States of America, una organización categorizada como industry.
3-ensemble of Self-ensembles on CIFAR-100— ¿cuándo fue lanzado?
Se publicó en August 2024. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
3-ensemble of Self-ensembles on CIFAR-100— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
3-ensemble of Self-ensembles on CIFAR-100— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
3-ensemble of Self-ensembles on CIFAR-100— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
3-ensemble of Self-ensembles on CIFAR-100— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 60.2M. as in resnet-152. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.