VGG16
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 Oxford
- Type d'organisation
- Academia
- Pays
- United Kingdom of Great Britain and Northern Ireland
- Publié
- 4 September 2014
- Auteurs
- Karen Simonyan; Andrew Zisserman
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
- 138M
- Données d'entraînement
- 1,300,000 tokens
- Époques
- 74
- Taille de lot
- 256
Source: Table 2 https://arxiv.org/abs/1409.1556
"In this section, we present the image classification results achieved by the described ConvNet architectures on the ILSVRC-2012 dataset (which was used for ILSVRC 2012–2014 challenges). The dataset includes images of 1000 classes, and is split into three sets: training (1.3M images), validation (50K images), and testing (100K images with held-out class labels)." This is confirmed by section 3.1 Training: "The batch size was set to 256" "In total, the learning rate was decreased 3 times, and th…
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
- 1.2 × 10¹⁹ FLOP
- Comment cela a été établi
- Hardware
3 weeks * 4 Titan Black GPUs * 0.30 utilization Section 3.3: "On a system equipped with four NVIDIA Titan Black GPUs, training a single net took 2–3 weeks depending on the architecture." Titan Black performance: 5.645 TFLOPS (assuming FP32) https://www.wolframalpha.com/input?i=5.645+TFLOPS+*+3+weeks+*+4+*+0.3
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 GeForce GTX Titan Black
- Chips utilisés
- 4
- Temps en temps réel
- 504 hours (21 days)
- Consommation d'énergie
- 2.1 kW
- Coût de calcul
- $239
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
- Confiance d'enregistrement
- Confident
- Citations
- 111,439
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Very Deep Convolutional Networks for Large-Scale Image Recognition
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Contexte
VGG16 a été publié par University of Oxford, dans le pays enregistré comme United Kingdom of Great Britain and Northern Ireland, durant September 2014. La catégorie à laquelle appartient l'éditeur est academia.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de image classification.
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.
Entraînement et provenance
L'entraînement a nécessité un budget de calcul d'environ 1.2 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA GeForce GTX Titan Black. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'entraînement a consommé un corpus d'environ 1,300,000 jetons de texte
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : highly cited.
Réponses
VGG16 — questions courantes
VGG16— 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.
VGG16— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 138M. Source: Table 2 https://arxiv.org/abs/1409.1556. 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.
VGG16— qui l'a créé ?
Il a été publié par University of Oxford, basé sur United Kingdom of Great Britain and Northern Ireland, une organisation catégorisée comme academia.
VGG16— quand a-t-il été publié ?
Il a été publié dans September 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.
VGG16— 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.
VGG16— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.2 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA GeForce GTX Titan Black. 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.
VGG16— 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.