Meta Pseudo Labels
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 Brain,Google AI
- Tipo de Organización
- Industry,Industry
- País
- United States of America
- Publicado
- 1 March 2021
- Autores
- Hieu Pham, Zihang Dai, Qizhe Xie, Minh-Thang Luong, and Quoc V. Le
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
- Enfoque
- Self-supervised learning
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
- 480M
- Datos de entrenamiento
- 131,280,000 tokens
Table 4 480M
Section 4 Datasets. For this experiment, we use the entire ImageNet training set as labeled data, and use the JFT dataset as unlabeled data. The JFT dataset has 300 million images, and then is filtered down to 130 million images by Noisy Student using confidence thresholds and up-sampling [77]. We use the same 130 million images as Noisy Student
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.
- Cómputo de entrenamiento
- 4.8 × 10²² FLOP
- Cómo se estableció
- Hardware
From communication with author: 22671 TPU days on specific hardware. Which hardware did you use and in which configuration? 2048 cores of TPU v3. Precision: Mixed. bfloat16 for activations, float32 for weights and optimizer slots. 2048 TPUv3 cores means 1024 TPUv3 chips, and the spec is 123e12 FLOP/second per chip with bfloat16 precision (Source: https://cloud.google.com/tpu/docs/system-architecture-tpu-vm) So the compute estimate is: 1024 chips * 123e12 FLOP/second * 0.4 utilization * 11 d…
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
- Google TPU v3
- Chips utilizados
- 1,024
- Horas de chip
- 270,336
- Tiempo de reloj
- 264 hours (11 days)
- Consumo de energía
- 934.4 kW
- Costo de cómputo
- $53,844
11 days from section 4: "We train the model for 1 million steps in total, which takes about 11 days for EfficientNet-L2 and 10 days for EfficientNet-B6-Wide. " "Specifically, our training process runs on a cluster of 2,048 TPUv3 cores. "
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
Apache-2.0 license https://github.com/google-research/google-research/blob/master/meta_pseudo_labels/README.md
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Likely
- Citas
- 766
"We present Meta Pseudo Labels, a semi-supervised learning method that achieves a new state-of-the-art top-1 accuracy of 90.2% on ImageNet, which is 1.6% better than the existing state-of-the-art."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Meta pseudo labels
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
Meta Pseudo Labels fue publicado por Google Brain,Google AI, en el país registrado como United States of America, durante March 2021. La organización editora está clasificada como industry,Industry.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 4.8 × 10²² FLOP, en hardware registrado como Google TPU v3. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 131,280,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: sOTA improvement.
Respuestas
Meta Pseudo Labels — preguntas comunes
Meta Pseudo Labels— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 480M. Table 4 480M. 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.
Meta Pseudo Labels— ¿Quién lo creó?
Fue publicado por Google Brain,Google AI, basado en United States of America, una organización categorizada como industry,Industry.
Meta Pseudo Labels— ¿cuándo fue lanzado?
Se publicó en March 2021. 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.
Meta Pseudo Labels— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Meta Pseudo Labels— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 4.8 × 10²² FLOP, en hardware registrado como Google TPU v3. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
Meta Pseudo Labels— ¿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.
Meta Pseudo Labels— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
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.