ProxylessNAS
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos de este modelo son OPEN WEIGHT, pero no se ha publicado ninguna cuenta de parámetros para él. Cada figura de MEMORY y velocidad comienza a partir de ese número, así que preferiríamos no mostrar nada que una estimación fabricada..
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
- Massachusetts Institute of Technology (MIT)
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 23 February 2019
- Autores
- Han Cai, Ligeng Zhu, and Song Han
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, Neural Architecture Search - NAS
- Formato numérico
- FP32
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.
- Datos de entrenamiento
- 1,230,000 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.
- Cómputo de entrenamiento
- 3.7 × 10¹⁸ FLOP
- Cómo se estableció
- Hardware
For their searched Imagenet models, they used 200 GPU hours on a V100 GPU. At FP32, a V100 GPU has a peak performance of 1.56E+13 FLOPS. Utilization rate of 0.33. 200 h * 3600 second / hour* 1.6e+13 flop /second * 0.33 = 3.7e+18 flop
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 V100
- Horas de chip
- 200
- Costo de cómputo
- $123
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
- Open — downloadable
- Acceso al modelo
- Open weights (unrestricted)
- Código de entrenamiento
- Open source
MIT for code+weights https://github.com/MIT-HAN-LAB/ProxylessNAS
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
- Confident
- Citas
- 2,054
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- ProxylessNAS: Direct neural architecture search on target task and hardware
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
ProxylessNAS fue publicado por Massachusetts Institute of Technology (MIT), en el país registrado como United States of America, durante February 2019. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification, Neural Architecture Search - NAS.
Los PESOS están publicados, por lo que se puede descargar y ejecutar en su propio HARDWARE indefinidamente, SIN CONEXIÓN, sin cuenta adjunta.
Entrenamiento y procedencia
El entrenamiento consumió alrededor de 3.7 × 10¹⁸ FLOP, en hardware registrado como NVIDIA V100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 1,230,000 tokens de texto
Respuestas
ProxylessNAS — preguntas comunes
ProxylessNAS— ¿Qué GPU necesito para ejecutarlo?
No podemos decir. Tiene pesos abiertos, pero no se ha publicado ningún conteo de parámetros para él, y todos los cálculos de memoria y velocidad comienzan desde ese número. Preferiríamos no mostrar nada que una estimación fabricada.
ProxylessNAS— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
ProxylessNAS— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
ProxylessNAS— ¿Quién lo creó?
Fue publicado por Massachusetts Institute of Technology (MIT), basado en United States of America, una organización categorizada como academia.
ProxylessNAS— ¿cuándo fue lanzado?
Se publicó en February 2019. 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.
ProxylessNAS— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification, Neural Architecture Search - NAS. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
ProxylessNAS— ¿Dónde puedo descargarlo?
Los pesos están publicados, aunque no tenemos un enlace de repositorio para ello. Este sitio calcula los requisitos de hardware en lugar de alojar archivos de modelo.
ProxylessNAS— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.7 × 10¹⁸ FLOP, en hardware registrado como NVIDIA V100. 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.
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.