AlphaX-1
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Facebook AI Research,Brown University
- Szervezet típusa
- Industry,Academia
- Ország
- United States of America, France
- Közölt
- 2 October 2019
- Szerzők
- Linnan Wang, Yiyang Zhao, Yuu Jinnai, Yuandong Tian, Rodrigo Fonseca1
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- Neural architecture search for computer vision, Image classification, Object detection, Image captioning
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Paraméterek
- 5.4M
- Képzési adatok
- 61,280,000 tokens
Table 3: multiadds for AlphaX-1 579M, parameters 5.4M
Standard image net training size, not otherwise specified
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 8.9 × 10¹⁷ FLOP
" Our models for ImageNet use polynomial learning rate schedule, starting with 0.05 and decay through 200 epochs." 1280000 images * 200 epochs *3 forward-backward adjustment * 1158000000 forward FLOP =889344000000000000
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA GeForce GTX 1080 Ti
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Closed — provider access only
- Modell hozzáférés
- Unreleased
- Képzés kód
- Open (non-commercial)
code, no license specified: https://github.com/linnanwang/AlphaX-NASBench101 training: https://github.com/linnanwang/AlphaX-NASBench101/blob/master/net_training.py
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- SOTA improvement
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 100
"In 12 GPU days and 1000 samples, AlphaX found an architecture that reaches 97.84\% top-1 accuracy on CIFAR-10, and 75.5\% top-1 accuracy on ImageNet, exceeding SOTA NAS methods in both the accuracy and sampling efficiency"
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- AlphaX: eXploring Neural Architectures with Deep Neural Networks and Monte Carlo Tree Search
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Erről a modelről
AlphaX-1 ki lett adva által Facebook AI Research,Brown University, az országban rögzítve mint United States of America, alatt October 2019. Egy olyan szervezetből származik, amelyet kategorizálnak mint industry,Academia.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása neural architecture search for computer vision, Image classification, Object detection, Image captioning.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Képzés és származás
A létrehozásához körülbelül összesítő aritmetikára volt szükség. 8.9 × 10¹⁷ FLOP, hardveren rögzítve NVIDIA GeForce GTX 1080 Ti. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A képzés körülbelül egy korpuszt fogyasztott 61,280,000 szöveg tokenjei
Egy különös okból nyomon követik az alapul szolgáló adatbázisban: sOTA improvement.
Válaszok
AlphaX-1 — gyakori kérdések
AlphaX-1— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
AlphaX-1— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
AlphaX-1— Hány paramétere van?
Paraméterszáma 5.4M. Table 3: multiadds for AlphaX-1 579M, parameters 5.4M. Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
AlphaX-1— Ki készítette ezt?
Kiadta Facebook AI Research,Brown University, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry,Academia.
AlphaX-1— Mikor adták ki?
Kibocsátották a October 2019. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
AlphaX-1— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot neural architecture search for computer vision, Image classification, Object detection, Image captioning. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
AlphaX-1— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 8.9 × 10¹⁷ FLOP, hardveren rögzítve NVIDIA GeForce GTX 1080 Ti. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..