AlexNet
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
- University of Toronto
- Tipo de Organización
- Academia
- País
- Canada
- Publicado
- 30 September 2012
- Autores
- Alex Krizhevsky, Ilya Sutskever, Geoffrey Hinton
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
- 60M
- Datos de entrenamiento
- 2,457,600,000 tokens
"Our neural network architecture has 60 million parameters."
"ImageNet is a dataset of over 15 million labeled high-resolution images belonging to roughly 22,000 categories. The images were collected from the web and labeled by human labelers using Amazon’s Mechanical Turk crowd-sourcing tool. Starting in 2010, as part of the Pascal Visual Object Challenge, an annual competition called the ImageNet Large-Scale Visual Recognition Challenge (ILSVRC) has been held. ILSVRC uses a subset of ImageNet with roughly 1000 images in each of 1000 categories. In all, …
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
- 4.7 × 10¹⁷ FLOP
- Cómo se estableció
- Operation counting,Hardware,Third-party estimation
1.2M images * 90 epochs * 0.75 GFLOP * (2 add-multiply) * (3 backward pass) = 470 PF = 0.0054 pfs-days Source: https://openai.com/blog/ai-and-compute/ Hardware method: 2 GTX 580 3GB GPUs for "between five and six days". Assuming 5.5 days and 32-bit training: 1.581 TFLOPS * 5.5 days * 2 = 1.5e18 FLOP Comparing to the operation counting method, this implies around 31% MFU. Authors of "AI and Memory Wall" (https://github.com/amirgholami/ai_and_memory_wall) estimated model's training compute as …
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 580
- Tiempo de reloj
- 132 hours
- Utilización de hardware
- MFU 31.3%
- Costo de cómputo
- $16
"Our network takes between five and six days to train on two GTX 580 3GB GPUs."
Operation counting approach for compute estimate implies 470 PFLOP. Their hardware, 2 GTX 580 GPUs, would perform 1500 PFLOPs if operating in 32-bit for 5.5 days. This implies a model FLOP utilization rate of 31.3%. MFU = 470 PFLOP / 1500 PFLOP = 0.3133
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Modelo Frontier
- Yes
- Por qué se rastrea
- Highly cited,Historical significance
- Confianza de registro
- Confident
- Citas
- 125,497
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- ImageNet Classification with Deep Convolutional Neural Networks
- Última actualización
- 1 January 2026
Qué significan los números
Fondo
AlexNet fue publicado por University of Toronto, en el país registrado como Canada, durante September 2012. 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.
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.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 4.7 × 10¹⁷ FLOP, en hardware registrado como NVIDIA GeForce GTX 580. 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 2,457,600,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: highly cited,Historical significance.
Respuestas
AlexNet — preguntas comunes
AlexNet— ¿Quién lo creó?
Fue publicado por University of Toronto, basado en Canada, una organización categorizada como academia.
AlexNet— ¿cuándo fue lanzado?
Se publicó en September 2012. 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.
AlexNet— ¿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.
AlexNet— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 4.7 × 10¹⁷ FLOP, en hardware registrado como NVIDIA GeForce GTX 580. 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.
AlexNet— ¿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.
AlexNet— ¿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.
AlexNet— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 60M. "Our neural network architecture has 60 million parameters.". 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.
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.