ResNet-152 (ImageNet)
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
- Microsoft
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 10 December 2015
- Autores
- Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
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
- 60.2M
- Datos de entrenamiento
- 1,280,000 tokens
- Épocas
- 120
- Tamaño de lote
- 256
Taken from https://arxiv.org/abs/1605.07146
"We evaluate our method on the ImageNet 2012 classification dataset [36] that consists of 1000 classes. The models are trained on the 1.28 million training images"
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
- 1 × 10¹⁹ FLOP
- Cómo se estableció
- Operation counting,Third-party estimation
11.3 *10^9 mult-adds per forward pass (Table 1) 2 FLOPS/ mult-add 3 for forward & backward pass 1.2 * 10^6 examples in dataset 128 epochs -> 1.041408 × 10^19 FLOP Authors of "AI and Memory Wall" (https://github.com/amirgholami/ai_and_memory_wall) estimated model's training compute as 11,000 PFLOP = 1.1*10^19 FLOP
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
- Highly cited
- Confianza de registro
- Confident
- Citas
- 228,517
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Deep Residual Learning for Image Recognition
- Última actualización
- 25 May 2026
Qué significan los números
Fondo
ResNet-152 (ImageNet) fue publicado por Microsoft, en el país registrado como United States of America, durante December 2015. Sale de una organización categorizada como industry.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Qué se necesitó para construirlo
Producirlo requirió una aritmética que totaliza alrededor de 1 × 10¹⁹ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El entrenamiento consumió un corpus de alrededor de 1,280,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: highly cited.
Respuestas
ResNet-152 (ImageNet) — preguntas comunes
ResNet-152 (ImageNet)— ¿cuándo fue lanzado?
Se publicó en December 2015. 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.
ResNet-152 (ImageNet)— ¿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.
ResNet-152 (ImageNet)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1 × 10¹⁹ FLOP. 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.
ResNet-152 (ImageNet)— ¿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.
ResNet-152 (ImageNet)— ¿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.
ResNet-152 (ImageNet)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 60.2M. Taken from https://arxiv.org/abs/1605.07146. 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.
ResNet-152 (ImageNet)— ¿Quién lo creó?
Fue publicado por Microsoft, basado en United States of America, una organización categorizada como industry.
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.