Unsupervised High-level Feature Learner
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
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 12 July 2012
- Autores
- Quoc V. Le, Marc'Aurelio Ranzato, Rajat Monga, Matthieu Devin, Kai Chen, Greg S. Corrado, Jeff Dean, Andrew Y. Ng
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
- Unsupervised
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
- 1B
- Datos de entrenamiento
- 1,200,000,000,000 tokens
"To answer this, we train a 9-layered locally connected sparse autoencoder with pooling and local contrast normalization on a large dataset of images (the model has 1 billion connections, the dataset has 10 million 200x200 pixel images downloaded from the Internet)"
10 million 200x200 images extracted from Youtube videos
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 × 10¹⁷ FLOP
- Cómo se estableció
- Operation counting
Assuming 1 epoch, 10 million images and 1 billion parameters, 6*N*D = 6*10^17 FLOP
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Tiempo de reloj
- 72 hours
- Costo de cómputo
- $16
"We train this network using model parallelism and asynchronous SGD on a cluster with 1,000 machines (16,000 cores) for three days. "
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,SOTA improvement
- Confianza de registro
- Likely
- Citas
- 2,909
"we trained our network to obtain 15.8% accuracy in recognizing 20,000 object categories from ImageNet, a leap of 70% relative improvement over the previous state-of-the-art"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Building High-level Features Using Large Scale Unsupervised Learning
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
Unsupervised High-level Feature Learner fue publicado por Google, en el país registrado como United States of America, durante July 2012. La categoría en la que se encuentra el editor es industry.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image classification.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 6 × 10¹⁷ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 1,200,000,000,000 tokens de texto
Su criterio de inclusión: highly cited,SOTA improvement.
Respuestas
Unsupervised High-level Feature Learner — preguntas comunes
Unsupervised High-level Feature Learner— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
Unsupervised High-level Feature Learner— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 6 × 10¹⁷ 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.
Unsupervised High-level Feature Learner— ¿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.
Unsupervised High-level Feature Learner— ¿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.
Unsupervised High-level Feature Learner— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 1B. "To answer this, we train a 9-layered locally connected sparse autoencoder with pooling and local contrast normalization on a large dataset of images (the model has 1 billion connections, the dataset has 10 million 200x200 pixel images downloaded from the Internet)". 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.
Unsupervised High-level Feature Learner— ¿Quién lo creó?
Fue publicado por Google, basado en United States of America, una organización categorizada como industry.
Unsupervised High-level Feature Learner— ¿cuándo fue lanzado?
Se publicó en July 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.
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.