ADAM (CIFAR-10)
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
- University of Amsterdam,OpenAI,University of Toronto
- Type d'organisation
- Academia,Industry,Academia
- Pays
- Netherlands, United States of America, Canada
- Publié
- 22 December 2014
- Auteurs
- Diederik P. Kingma, Jimmy Ba
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
- 2.4M
- Données d'entraînement
- 50,000 tokens
CIFAR-10 with c64-c64-c128-1000 architecture "Our CNN architecture has three alternating stages of 5x5 convolution filters and 3x3 max pooling with stride of 2 that are followed by a fully connected layer of 1000 rectified linear hidden units (ReLU’s). " "Training cost over 45 epochs. CIFAR-10 with c64-c64-c128-1000 architecture." CIFAR-10's input dimension is 32x32x3 Parameter: 3*64*5*5+64*64*5*5+64*128*5*5+128*4*4*1000+1000*10=2370000
Assumed they used the standard CIFAR-10 training split
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
- 6.2 × 10¹⁴ FLOP
- Comment cela a été établi
- Third-party estimation,Operation counting
From https://openai.com/blog/ai-and-compute/ Appendix less than 0.0007 pfs-days (86400*10^15*0.0007) Manual estimate: 3 (forward-backward adjustment) * 92589600 flop per forward pass * 50000 examples * 45 epochs = 624979800000000 (6.25e14)
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
- Unreleased
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.
- Pourquoi c'est suivi
- Highly cited
- Confiance d'enregistrement
- Confident
- Citations
- 166,267
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Adam: A Method for Stochastic Optimization
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
D'où cela vient-il
ADAM (CIFAR-10) a été publié par University of Amsterdam,OpenAI,University of Toronto, dans le pays enregistré comme Netherlands, durant December 2014. L'organisation de publication est catégorisée comme academia,Industry,Academia.
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.
Entraînement et provenance
La production a nécessité des calculs totalisant environ 6.2 × 10¹⁴ FLOP. 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 50,000 jetons de texte
La raison pour laquelle il apparaît dans ce catalogue. highly cited.
Réponses
ADAM (CIFAR-10) — questions courantes
ADAM (CIFAR-10)— 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.
ADAM (CIFAR-10)— 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.
ADAM (CIFAR-10)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 2.4M. CIFAR-10 with c64-c64-c128-1000 architecture "Our CNN architecture has three alternating stages of 5x5 convolution filters and 3x3 max pooling with stride of 2 that are followed by a fully connected layer of 1000 rectified linear hidden units (ReLU’s). " "Training cost over 45 epochs. CIFAR-10 with c64-c64-c128-1000 architecture." CIFAR-10's input dimension is 32x32x3 Parameter: 3*64*5*5+64*64*5*5+64*128*5*5+128*4*4*1000+1000*10=2370000. 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.
ADAM (CIFAR-10)— qui l'a créé ?
Il a été publié par University of Amsterdam,OpenAI,University of Toronto, basé sur Netherlands, une organisation catégorisée comme academia,Industry,Academia.
ADAM (CIFAR-10)— quand a-t-il été publié ?
Il a été publié dans December 2014. 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.
ADAM (CIFAR-10)— 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.
ADAM (CIFAR-10)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 6.2 × 10¹⁴ 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.
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.