AlexNet + coordinating filters calculateur TPS

Ouvrir les poids University of Pittsburgh,Duke University 60M paramètres March 2017

Chaque carte ci-dessous est évaluée par rapport à ce modèle à la longueur de contexte et à la qualité minimale que vous choisissez. La vitesse est une estimation pour une demande unique, calculée à partir de la bande passante mémoire de la carte et de la taille du modèle une fois compressé..

Calculé pour ce modèle

818 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

Tesla C1080

4 GB · Q8_0 · 614 tok/s

Carte la plus rapide

B200

56,471 tok/s · 180 GB

Quelles GPU peuvent exécuter AlexNet + coordinating filters?

Définir les entrées, lire la réponse

Longueur de contexte jetons

Une conversation plus longue nécessite plus de mémoire, ce qui peut pousser ce modèle hors des cartes plus petites..

Qualité minimale

Cache des cartes qui ne conviendraient qu'au modèle en le compressant en dessous de ce point..

Recherche de cartes

Mémoire de carte

Montrez aussi les cartes qui ne peuvent pas le faire.

818 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
56,471 tok/s 33,882–90,353 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.8 GB	Q8_0	Confortable
56,471 tok/s 33,882–90,353 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.8 GB	Q8_0	Confortable
45,093 tok/s 27,056–72,149 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Confortable
45,093 tok/s 27,056–72,149 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Confortable
36,064 tok/s 21,638–57,702 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.8 GB	Q8_0	Confortable
34,518 tok/s 20,711–55,228 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Confortable
34,518 tok/s 20,711–55,228 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Confortable
33,035 tok/s 19,821–52,856 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.8 GB	Q8_0	Confortable
29,319 tok/s 17,591–46,910 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Confortable
29,319 tok/s 17,591–46,910 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Confortable
29,319 tok/s 17,591–46,910 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Confortable
27,812 tok/s 16,687–44,499 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.8 GB	Q8_0	Confortable
23,718 tok/s 14,231–37,948 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Confortable
23,718 tok/s 14,231–37,948 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.8 GB	Q8_0	Confortable
23,718 tok/s 14,231–37,948 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Confortable
23,718 tok/s 14,231–37,948 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Confortable
23,718 tok/s 14,231–37,948 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Confortable
18,059 tok/s 10,836–28,895 · faible confiance	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Confortable
18,059 tok/s 10,836–28,895 · faible confiance	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Confortable
15,049 tok/s 9,030–24,079 · faible confiance	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.8 GB	Q8_0	Confortable
14,728 tok/s 8,837–23,565 · faible confiance	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.8 GB	Q8_0	Confortable
14,400 tok/s 8,640–23,040 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.8 GB	Q8_0	Confortable
14,400 tok/s 8,640–23,040 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.8 GB	Q8_0	Confortable
14,400 tok/s 8,640–23,040 · faible confiance	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.8 GB	Q8_0	Confortable
14,400 tok/s 8,640–23,040 · faible confiance	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.8 GB	Q8_0	Confortable

Les vitesses sont des estimations pour une seule demande — une conversation à la fois — calculées à partir de la bande passante de la mémoire, de la taille du modèle et de la quantification. Le débit réel varie avec le temps d'exécution d'inférence et sa version. Les chiffres publiés par les fournisseurs de matériel mesurent de nombreuses demandes simultanées et sont beaucoup plus élevés..

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: University of Pittsburgh,Duke University
Type d'organisation: Academia,Academia
Pays: United States of America
Publié: 28 March 2017
Auteurs: Wei Wen, Cong Xu, Chunpeng Wu, Yandan Wang, Yiran Chen, Hai Li

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

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: 60M
Données d'entraînement: tokens

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: 4.7 × 10¹⁷ FLOP
Comment cela a été établi: Comparison with other models

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: Open — downloadable
Accès au modèle: Open weights (unrestricted)
Code d'entraînement: Open source

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.

Confiance d'enregistrement: Confident
Citations: 172

Sources

D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.

Référence: Coordinating Filters for Faster Deep Neural Networks
Dernière mise à jour: 28 November 2025

Les extrêmes

Les dix GPU les plus rapides qui exécutent AlexNet + coordinating filters

Classé par tokens par seconde estimés, la carte la plus récente en premier lorsque les vitesses se rejoignent. Étant donné que la génération est limitée par la bande passante de la mémoire, cet ordre suit la bande passante plutôt que tout indice de jeu..

Les plus petits GPU qui fonctionnent encore AlexNet + coordinating filters

Le chemin le moins cher, par capacité de mémoire. Un ajustement serré exécute le modèle mais ne laisse rien de libre pour une conversation plus longue..

Ce que les chiffres signifient

Ce qu'il faut pour exécuter ce modèle

Carte minimale

Tesla C1080

Mémoire requise

0.8 GB

Le plus rapide

56,471 tok/s

AlexNet + coordinating filters atteint un nombre de paramètres de 60M. C'est suffisamment petit pour que le matériel soit rarement l'obstacle, y compris sur des CARDS âgées de plusieurs années. Le nombre de CARDS que nous suivons et qui peuvent le faire fonctionner : 818.

La plus petite carte qui le contient est Tesla C1080, avec une capacité de mémoire de 4 GB, le faisant fonctionner à une compression de Q8_0 et produisant environ 614 tokens par seconde

À l'autre extrémité se trouve B200, générant à peu près 56,471 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

Ce que ce modèle est

AlexNet + coordinating filters a été publié par University of Pittsburgh,Duke University, dans le pays enregistré comme United States of America, durant March 2017. La catégorie à laquelle appartient l'éditeur est academia,Academia.

Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de image classification.

Parce que ses poids ont été publiés, rien sur son exécution ne dépend d'un fournisseur restant disponible — il est à vous une fois téléchargé.

Qu'est-ce qui détermine la vitesse

Le résultat médian est d'environ 1,585.7 tokens par seconde. Produire du texte plus vite que la plupart des gens ne le lisent. 818 d'eux

Étant dense, il lit tout de lui-même par jeton, c'est pourquoi le classement par vitesse ci-dessous suit de si près le classement par bande passante mémoire.

Sans la disposition d'attention sur fichier, la colonne de mémoire est une approximation. Elle est suffisamment proche pour choisir le matériel, et la moins fiable sur un long contexte.

Comment il a été entraîné

L'entraînement a consommé environ 4.7 × 10¹⁷ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.

Étape par étape

Comment choisir un GPU pour AlexNet + coordinating filters

Le tableau ci-dessus a déjà évalué chaque carte pour laquelle nous avons des spécifications par rapport à ce modèle. Obtenir votre réponse prend six étapes..

01

Commencez par la colonne mémoire

La table répertorie chaque carte capable de supporter AlexNet + coordinating filters, ayant besoin d'environ 0.8 GB à une compression de Q8_0. Cette figure, pas la performance principale d'une carte, est ce qui décide si elle fonctionne.
02

Faites correspondre le contexte à votre utilisation réelle.

Les conversations plus longues coûtent de la MÉMOIRE en plus de ce dont les POIDS ont besoin. Déplacez le curseur à votre longueur de travail réelle avant de faire confiance à une ligne pour AlexNet + coordinating filters.
03

Choisissez jusqu'où vous allez le compresser

La colonne de quantification varie selon la carte, car une plus grande carte contient une copie plus précise., atteignant une compression de Q8_0 sur la plus petite carte qui convient. Fixer une qualité minimale élimine les cartes qui ne parviennent à l'atteindre qu'en exerçant une pression plus forte que vous ne le souhaiteriez, et maintient la comparaison à un niveau.
04

Comparez les tokens par seconde, pas les spécifications.

Trier par vitesse pour voir comment les cartes se classent pour AlexNet + coordinating filters. Il ne s'alignera pas sur une commande de jeu, car la génération est limitée par la bande passante de la mémoire. La carte en tête de liste est B200, à 56,471 tok/s
05

Regardez la marge de manœuvre, pas seulement le fit.

Tight signifie qu'il se charge et fonctionne sans possibilité d'augmenter le contexte plus tard, dans le cas de AlexNet + coordinating filters. Confortable signifie que vous pouvez augmenter le contexte plus tard. Cette différence compte plus que quelques tokens par seconde, donc achetez pour confortable si vous vous attendez à cela.
06

Vérifiez la carte de l'autre côté

Suivre une CARTE jusqu'à sa propre page montre chaque autre MODÈLE qu'elle peut supporter, ce qui est la question qui suit une fois que vous vous êtes décidé sur AlexNet + coordinating filters.

Réponses

AlexNet + coordinating filters — questions courantes

AlexNet + coordinating filters— Puis-je l'exécuter s'il ne tient pas dans ma GPU?

Partiellement. Les couches qui ne tiennent pas sont dans la mémoire système et fonctionnent à une fraction de la vitesse, donc un modèle principalement déchargé vaut rarement la peine d'être utilisé. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

AlexNet + coordinating filters— deux GPUs l'exécuteraient-ils plus rapidement ?

La capacité s'additionne entre les cartes ; le débit ne le fait pas. Le nombre de cartes déjà capables de le garder par elles-mêmes : 818. Ainsi, une seconde carte est rarement la réponse ici.

AlexNet + coordinating filters— pourquoi la quantification diffère-t-elle entre les cartes ?

Une carte plus grande contient une copie plus précise. Le nombre de niveaux de compression utilisés sur les cartes qui l'exécutent : 1. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

AlexNet + coordinating filters— quelle est la précision de ces estimations de vitesse ?

Ce sont des estimations avec de véritables barres d'erreur, et n'importe lequel d'entre eux pourrait raisonnablement se situer n'importe où dans sa plage publiée en fonction du temps d'exécution que vous utilisez. Le résultat le plus rapide ici : 33,882–90,353 tok/s sur B200. Le même modèle et carte varient de trente à cinquante pour cent en fonction du logiciel d'inférence et de sa version.

AlexNet + coordinating filters— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est Tesla C1080, avec une capacité de mémoire de 4 GB. Il exécute le modèle à une compression de Q8_0 environ 0.8 GB, et produit environ 614 tous les GPU capables de l'exécuter en total 818.

AlexNet + coordinating filters— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 56,471 tokens par seconde; le plus lent qui fonctionne encore gère considérablement moins. La vitesse de lecture est d'environ dix tokens par seconde, et le nombre de cartes qui réussissent cela : 818.

AlexNet + coordinating filters— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 0.8 GB à une compression de Q8_0, laquelle est la plus petite carte qui l'exécute. Moins de compression nécessite plus : les chiffres dans la colonne mémoire ci-dessus sont recalculés pour chaque carte, car chacune détient la version la moins compressée qu'elle peut.

AlexNet + coordinating filters— Puis-je l'exécuter sur un GPU détenant 8 GB ?

Oui. La carte CMP 170HX 8 GB, tenue 8 GB, l'exécute à une compression de Q8_0, environ 0.8 GO et générant à peu près 10,518 jetons par seconde. L'adéquation est confortable.

AlexNet + coordinating filters— Puis-je l'exécuter sur un GPU détenant 12 GB ?

Oui. La carte GeForce RTX 3080 Ti, tenue 12 GB, l'exécute à une compression de Q8_0, environ 0.8 GO et générant à peu près 6,440 jetons par seconde. L'adéquation est confortable.

AlexNet + coordinating filters— Puis-je l'exécuter sur un GPU détenant 16 GB ?

Oui. La carte Tesla V100 SXM2 16 GB, tenue 16 GB, l'exécute à une compression de Q8_0, environ 0.8 GO et générant à peu près 7,976 jetons par seconde. L'adéquation est confortable.

AlexNet + coordinating filters— Puis-je l'exécuter sur un GPU détenant 24 GB ?

Oui. La carte GeForce RTX 5090 D V2, tenue 24 GB, l'exécute à une compression de Q8_0, environ 0.8 GO et générant à peu près 9,459 jetons par seconde. L'adéquation est confortable.

AlexNet + coordinating filters— est-ce que c'est open source ?

Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.

AlexNet + coordinating filters— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 60M. The paper reimplements ResNet-20, AlexNet and GoogLeNet. The largest from these models is AlexNet. (data for these models taken from this db) AlexNet has 60000000.00 params. GoogLeNet has 6797700.00 params. So max(60000000, 6797700) = 60000000 source "The effectiveness of our approach is comprehensively evaluated in ResNets, AlexNet, and GoogLeNet. In AlexNet, for example, Force Regularization gains 2x speedup on modern GPU without accuracy loss and 4.05x speedup on CPU by paying small accuracy degradation. ". 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.

AlexNet + coordinating filters— qui l'a créé ?

Il a été publié par University of Pittsburgh,Duke University, basé sur United States of America, une organisation catégorisée comme academia,Academia.

AlexNet + coordinating filters— quand a-t-il été publié ?

Il a été publié dans March 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.

AlexNet + coordinating filters— à quoi ça sert ?

Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de image classification. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.

AlexNet + coordinating filters— où puis-je le télécharger ?

Les poids sont publiés, bien que nous ne possédions pas de lien vers un dépôt pour cela. Ce site calcule les exigences matérielles plutôt que d'héberger des fichiers de modèle.

AlexNet + coordinating filters— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 4.7 × 10¹⁷ FLOP. 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.

Source

Publication originale

Dernière mise à jour enregistrée 28 November 2025

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.

Tous les modèles AI