JFT
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
- Google Research,Carnegie Mellon University (CMU)
- Szervezet típusa
- Industry,Academia
- Ország
- United States of America
- Közölt
- 10 July 2017
- Szerzők
- Chen Sun, Abhinav Shrivastava, Saurabh Singh, Abhinav Gupta
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- Image classification, Object detection, Semantic segmentation, Pose estimation
- Numerikus formátum
- FP32
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
- 44.7M
- Képzési adatok
- 5,487,300,000,000 tokens
- Epochok
- 4
- Tételméret
- 32
Uses ResNet-101 architecture, which has 44,654,504 parameters: https://resources.wolframcloud.com/NeuralNetRepository/resources/ResNet-101-Trained-on-ImageNet-Competition-Data/
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
- 8.4 × 10²⁰ FLOP
- Hogyan jött létre
- 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
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA Tesla K80
- Használt chipek
- 50
- Chip-óra
- 72,000
- Fali óra idő
- 1,440 hours (60 days)
- Teljesítményfogyasztás
- 31.3 kW
- Számítási költség
- $17,911
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Határmodell
- Yes
- Miért követik nyomon
- SOTA improvement
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 2,712
SOTA on COCO and PASCAL VOC
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Revisiting Unreasonable Effectiveness of Data in Deep Learning Era.
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Honnan jött
JFT ki lett adva által Google Research,Carnegie Mellon University (CMU), az országban rögzítve mint United States of America, alatt July 2017. A kiadó szervezet a következő kategóriába tartozik industry,Academia.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása image classification, Object detection, Semantic segmentation, Pose estimation.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Hogyan lett betanítva
A képzés futás körülbelül 8.4 × 10²⁰ FLOP, hardveren rögzítve NVIDIA Tesla K80. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Körülbelül egy korpuszon lett betanítva 5,487,300,000,000 szöveg tokenjei
A kiválasztási kritériuma: sOTA improvement.
Válaszok
JFT — gyakori kérdések
JFT— Hány paramétere van?
Paraméterszáma 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/. 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.
JFT— Ki készítette ezt?
Kiadta Google Research,Carnegie Mellon University (CMU), alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry,Academia.
JFT— Mikor adták ki?
Kibocsátották a July 2017. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
JFT— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot image classification, Object detection, Semantic segmentation, Pose estimation. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
JFT— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 8.4 × 10²⁰ FLOP, hardveren rögzítve NVIDIA Tesla K80. 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.
JFT— 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.
JFT— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
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..