JFT
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
- Google Research,Carnegie Mellon University (CMU)
- Type d'organisation
- Industry,Academia
- Pays
- United States of America
- Publié
- 10 July 2017
- Auteurs
- Chen Sun, Abhinav Shrivastava, Saurabh Singh, Abhinav Gupta
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, Object detection, Semantic segmentation, Pose estimation
- 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
- 44.7M
- Données d'entraînement
- 5,487,300,000,000 tokens
- Époques
- 4
- Taille de lot
- 32
Uses ResNet-101 architecture, which has 44,654,504 parameters: https://resources.wolframcloud.com/NeuralNetRepository/resources/ResNet-101-Trained-on-ImageNet-Competition-Data/
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
- 8.4 × 10²⁰ FLOP
- Comment cela a été établi
- Hardware
Tesla K80 performance: 8.13 TFLOP/s Assume 40% utilization 60 days * 50 GPUs * 40% utilization * 8.13 TFLOP/s/GPU = 8.43*10^20 FLOP
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
- NVIDIA Tesla K80
- Chips utilisés
- 50
- Heures de puce
- 72,000
- Temps en temps réel
- 1,440 hours (60 days)
- Consommation d'énergie
- 31.3 kW
- Coût de calcul
- $17,911
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
- SOTA improvement
- Confiance d'enregistrement
- Confident
- Citations
- 2,712
SOTA on COCO and PASCAL VOC
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Revisiting Unreasonable Effectiveness of Data in Deep Learning Era.
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
D'où cela vient-il
JFT a été publié par Google Research,Carnegie Mellon University (CMU), dans le pays enregistré comme United States of America, durant July 2017. L'organisation de publication est catégorisée comme industry,Academia.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de image classification, Object detection, Semantic segmentation, Pose estimation.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Comment il a été entraîné
L'entraînement a consommé environ 8.4 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA Tesla K80. 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 5,487,300,000,000 jetons de texte
Son critère d'inclusion : sOTA improvement.
Réponses
JFT — questions courantes
JFT— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 44.7M. Uses ResNet-101 architecture, which has 44,654,504 parameters: https://resources.wolframcloud.com/NeuralNetRepository/resources/ResNet-101-Trained-on-ImageNet-Competition-Data/. 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.
JFT— qui l'a créé ?
Il a été publié par Google Research,Carnegie Mellon University (CMU), basé sur United States of America, une organisation catégorisée comme industry,Academia.
JFT— quand a-t-il été publié ?
Il a été publié dans July 2017. 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.
JFT— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de image classification, Object detection, Semantic segmentation, Pose estimation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
JFT— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 8.4 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA Tesla K80. 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.
JFT— 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.
JFT— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
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.