Meta Pseudo Labels
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en su propio hardware en ningún tamaño. Solo es accesible a través de su proveedor, y ninguna tarjeta gráfica lo cambia.
En registro
Especificación completa
Todo lo registrado para este modelo. La mayoría de ello describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se dedicó a ello 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 utilizaron para entrenarlo. 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
Entrenamiento de computación
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 cuán rápido responde el modelo terminado.
- Entrenamiento de computación
- 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…
El entrenamiento
Lo que se necesitó físicamente para entrenar: qué chips, cuántos, durante cuánto tiempo y qué consumió de la pared.
- Hardware de entrenamiento
- Google TPU v3
- Chips usados
- 1,024
- Horas de chip
- 270,336
- Tiempo en tiempo real
- 264 hours (11 days)
- Consumo de energía
- 934.4 kW
- Costo de computación
- $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 cual es lo que decide si alguna de las cifras de la tarjeta gráfica en esta página 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 se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Por qué se rastrea
- SOTA improvement
- Registrar confianza
- 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 revisado por última vez.
- Referencia
- Meta pseudo labels
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
Meta Pseudo Labels was published by Google Brain,Google AI, in United States of America, in March 2021. The organisation is categorised as industry,Industry.
It works in Vision, and is recorded as doing image classification.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en otro lugar de este sitio se aplica a él.
Training and provenance
Producing it required around 4.8 × 10²² FLOP of arithmetic, on Google TPU v3, which is a statement about the training budget rather than about inference.
The training set ran to roughly 131,280,000 tokens.
Se rastrea en el conjunto de datos subyacente por una razón en particular: mejora sOTA.
Respuestas
Meta Pseudo Labels — Preguntas frecuentes
How many parameters does Meta Pseudo Labels have?
Meta Pseudo Labels has 480M parameters. Table 4 480M. 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.
Who created Meta Pseudo Labels?
Meta Pseudo Labels was published by Google Brain,Google AI, based in United States of America, categorised as industry,Industry.
When was Meta Pseudo Labels released?
Meta Pseudo Labels was published in March 2021. 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 Meta Pseudo Labels used for?
Meta Pseudo Labels 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 Meta Pseudo Labels?
Around 4.8 × 10²² FLOP, on Google TPU v3. 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 Meta Pseudo Labels?
None. Meta Pseudo Labels 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 Meta Pseudo Labels open source?
No. Meta Pseudo Labels has not had its weights published, so it exists only as a service controlled by its owner.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posee una tarjeta y desea saber todo lo que podrá ejecutar, empiece por el hardware en su lugar.