NASv3 (CIFAR-10)
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 Brain
- Szervezet típusa
- Industry
- Ország
- United States of America
- Közölt
- 5 November 2016
- Szerzők
- Barret Zoph, Quoc V. Le
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- Image classification, Neural Architecture Search - NAS
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
- 37.4M
- Képzési adatok
- 45,000 tokens
Table 1
CIFAR-10 (does not factor in augmentation procedures)
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
- 2.2 × 10²¹ FLOP
- Hogyan jött létre
- Third-party estimation,Operation counting
50 epochs * 50,000 images * 10.0 GFLOPSs * 12800 networks * 2 add-multiply * 3 backward pass = 1.9e6 PF = 22 pfs-days source: https://openai.com/blog/ai-and-compute/
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Használt chipek
- 800
- Számítási költség
- $21,184
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
- Highly cited
- Nyilvántartási bizalom
- Likely
- Hivatkozások
- 5,894
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Neural Architecture Search with Reinforcement Learning
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Erről a modelről
NASv3 (CIFAR-10) ki lett adva által Google Brain, az országban rögzítve mint United States of America, alatt November 2016. A kiadó szervezet a következő kategóriába tartozik industry.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása image classification, Neural Architecture Search - NAS.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Hogyan lett betanítva
A létrehozásához körülbelül összesítő aritmetikára volt szükség. 2.2 × 10²¹ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A tanító készlet kb. futott 45,000 szöveg tokenjei
A kiválasztási kritériuma: highly cited.
Válaszok
NASv3 (CIFAR-10) — gyakori kérdések
NASv3 (CIFAR-10)— 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.
NASv3 (CIFAR-10)— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
NASv3 (CIFAR-10)— Hány paramétere van?
Paraméterszáma 37.4M. Table 1. 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.
NASv3 (CIFAR-10)— Ki készítette ezt?
Kiadta Google Brain, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry.
NASv3 (CIFAR-10)— Mikor adták ki?
Kibocsátották a November 2016. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
NASv3 (CIFAR-10)— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot image classification, Neural Architecture Search - NAS. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
NASv3 (CIFAR-10)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 2.2 × 10²¹ FLOP. 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..