PolyNet
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
- Chinese University of Hong Kong (CUHK)
- Tipo de Organización
- Academia
- País
- Hong Kong
- Publicado
- 17 November 2016
- Autores
- X Zhang, Z Li, C Change Loy
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
- 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.
- parámetros
- 92M
- Datos de entrenamiento
- 1,280,000 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
- 6.4 × 10¹⁹ FLOP
- Cómo se estableció
- Comparison with other models,Operation counting
Section 5: "ResNet-500 [has] similar computation costs to our Very Deep PolyNet". ResNet-152 has 11.3e9 FLOP per forward pass (https://arxiv.org/abs/1512.03385, Table 1). Hence ResNet-500 has approx 3.7e10 = 11.3e9*500/152 FLOP per forward pass. 560k iterations, batch size 512: Train compute = 3.7e10*3*2*560e3 * 512 = 6.4e19
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 GeForce GTX TITAN X
- Chips utilizados
- 32
- Consumo de energía
- 16.8 kW
- Costo de cómputo
- $617
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
- 282
"The Very Deep PolyNet, designed following this direction, demonstrates substantial improvements over the state-of-the-art on the ILSVRC 2012 benchmark. Compared to Inception-ResNet-v2, it reduces the top-5 validation error on single crops from 4.9% to 4.25%, and that on multi-crops from 3.7% to 3.45%."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- PolyNet: A Pursuit of Structural Diversity in Very Deep Networks
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
PolyNet fue publicado por Chinese University of Hong Kong (CUHK), en el país registrado como Hong Kong, durante November 2016. La organización editora está clasificada como academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
El entrenamiento consumió alrededor de 6.4 × 10¹⁹ FLOP, en hardware registrado como NVIDIA GeForce GTX TITAN X. 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 1,280,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
PolyNet — preguntas comunes
PolyNet— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 92M. 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.
PolyNet— ¿Quién lo creó?
Fue publicado por Chinese University of Hong Kong (CUHK), basado en Hong Kong, una organización categorizada como academia.
PolyNet— ¿cuándo fue lanzado?
Se publicó en November 2016. 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.
PolyNet— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
PolyNet— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 6.4 × 10¹⁹ FLOP, en hardware registrado como NVIDIA GeForce GTX TITAN X. 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.
PolyNet— ¿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.
PolyNet— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
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.