DL scaling Image
Aucune estimation
Aucun besoin matériel pour ce modèle
Les poids de ce modèle n'ont pas été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel, quelle que soit la taille. Il n'est accessible que via son fournisseur, et aucune carte graphique ne change cela.
Enregistrement terminé
Spécification complète
Tout ce qui concerne ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — contexte utile pour évaluer le travail fourni et sa comparaison avec des modèles construits à une échelle différente.
Origine
Qui a construit ce modèle, où et quand il a été publié.
- Organisation
- Baidu
- Type d'organisation
- Industry
- Pays
- China
- Publié
- 1 December 2017
- Auteurs
- Joel Hestness, Sharan Narang, Newsha Ardalani, G. Diamos, Heewoo Jun, Hassan Kianinejad, Md. Mostofa Ali Patwary, Yang Yang, Yanqi Zhou
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut en porter plusieurs de chacun.
- Domaine
- Vision
- Tâche
- Image classification
- Approach
- Supervised
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui détermine s'il tient sur une carte graphique donnée.
- Paramètres
- 121M
- Données d'entraînement
- tokens
We test models with parameter counts ranging from 89K to 121M.
We train and validate ResNets on various shard sizes of ImageNet, ranging from 1 image per class (0.08% of images) up to 800 images per class (62%). ImageNet has 1,000 different object classes as outputs
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui décide si l'une des chiffres de carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
Comment il est classé
Étiquettes que le jeu de données source applique lors du suivi des modèles notables, et à quel point il est confiant dans l'entrée.
- Pourquoi c'est suivi
- Training cost
- Confiance d'enregistrement
- Confident
Sources
D'où provient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Deep Learning Scaling is Predictable, Empirically
- Dernière mise à jour
- 28 November 2025
Ce que signifient les chiffres
Background
DL scaling Image was published by Baidu, in China, in December 2017. It comes out of industry.
It works in Vision, and is recorded as doing image classification.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Comment il a été entraîné
Its inclusion criterion is training cost.
Réponses
DL scaling Image — Questions fréquentes
When was DL scaling Image released?
DL scaling Image was published in December 2017. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is DL scaling Image used for?
DL scaling Image works in Vision, and is recorded as handling image classification. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
What GPU do I need to run DL scaling Image?
None. DL scaling Image is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is DL scaling Image open source?
No. DL scaling Image has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does DL scaling Image have?
DL scaling Image has 121M parameters. We test models with parameter counts ranging from 89K to 121M. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created DL scaling Image?
DL scaling Image was published by Baidu, based in China, categorised as industry.
Dans l'autre sens
Regardez-la de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez connaître tout ce qu'elle pourra exécuter, commencez plutôt par le matériel.