Noisy Student (L2)
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Carnegie Mellon University (CMU),Google
- Type d'organisation
- Academia,Industry
- Pays
- United States of America
- Publié
- 11 November 2019
- Auteurs
- Q Xie, MT Luong, E Hovy, QV Lee
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision
- Tâche
- Image classification
- Format numérique
- FP32
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 480M
- Données d'entraînement
- 81,000,000 tokens
"Due to duplications, there are only 81M unique images among these 130M images."
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 2.6 × 10²² FLOP
- Comment cela a été établi
- Hardware
"Our largest model, EfficientNet-L2, needs to be trained for 6 days on a Cloud TPU v3 Pod, which has 2048 cores, if the unlabeled batch size is 14x the labeled batch size" TPU v3 gets 1.23e14 FLOP/s per chip, with 2 cores per chip 1024 * 1.23e14 * 6 * 24 * 3600 * 0.4 = 2.612e22
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- Google TPU v3
- Chips utilisés
- 1,024
- Temps en temps réel
- 144 hours
- Consommation d'énergie
- 944.3 kW
- Coût de calcul
- $45,610
6 days
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Open source
apache 2.0 license: https://github.com/google-research/noisystudent train script: https://github.com/google-research/noisystudent/blob/master/local_scripts/imagenet/train.sh
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Modèle Frontier
- Yes
- Pourquoi c'est suivi
- Highly cited,SOTA improvement
- Confiance d'enregistrement
- Confident
- Citations
- 2,743
"Noisy Student Training achieves 88.4% top-1 accuracy on ImageNet, which is 2.0% better than the state-of-the-art model"
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Self-training with Noisy Student improves ImageNet classification
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
D'où cela vient-il
Noisy Student (L2) a été publié par Carnegie Mellon University (CMU),Google, dans le pays enregistré comme United States of America, durant November 2019. La catégorie à laquelle appartient l'éditeur est academia,Industry.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de image classification.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Qu'est-ce qui a été nécessaire pour le construire
La production a nécessité des calculs totalisant environ 2.6 × 10²² FLOP, sur matériel enregistré comme Google TPU v3. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il a été entraîné sur un corpus d'environ 81,000,000 jetons de texte
La raison pour laquelle il apparaît dans ce catalogue. highly cited,SOTA improvement.
Réponses
Noisy Student (L2) — questions courantes
Noisy Student (L2)— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
Noisy Student (L2)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 480M. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
Noisy Student (L2)— qui l'a créé ?
Il a été publié par Carnegie Mellon University (CMU),Google, basé sur United States of America, une organisation catégorisée comme academia,Industry.
Noisy Student (L2)— quand a-t-il été publié ?
Il a été publié dans November 2019. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
Noisy Student (L2)— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de image classification. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
Noisy Student (L2)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.6 × 10²² FLOP, sur matériel enregistré comme Google TPU v3. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
Noisy Student (L2)— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.