Xception
Nincs becslés
Ennekhez a modellhez nincs hardverkövetelmény
A modellhez tartozó súlyokat nem tették közzé, így azt semmilyen méretben nem lehet letölteni vagy saját hardveren futtatni. Csak az adattovábbítóján keresztül érhető el, és semmilyen grafikus kártya nem változtat ezen..
Felvételen
Teljes specifikáció
Minden adatok ezen a modellen. A legtöbb leírás arról szól, hogyan volt kiképzve, nem pedig arról, hogyan fut — hasznos háttérinformáció arra vonatkozóan, hogy mennyi munka került bele, és hogyan viszonyul más méretű modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Szervezet típusa
- Industry
- Ország
- United States of America
- Kiadva
- 7 October 2016
- Szerzők
- François Chollet
Mit csinál
A modell által épített probléma területek. Egy modell több különbözőt is tartalmazhat.
- Irányítószám
- Vision
- Feladat
- Image classification
Méret
Mekkora a modell és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek meghatározzák, hogy illeszkedik-e egy adott grafikus kártyára.
- Paraméterek
- 22.9M
- Képzési adatok
- 350,000,000 tokens
Table 3
"JFT is an internal Google dataset for large-scale image classification dataset, first introduced by Hinton et al. in [5], which comprises over 350 million high-resolution images annotated with labels from a set of 17,000 classes. To evaluate the performance of a model trained on JFT, we use an auxiliary dataset, FastEval14k"
Képzés számítás
A modell betanításához végzett aritmetikai műveletek, amelyet lebegőpontos műveletekben mérnek. Ez a tréning futásának költségét méri, nem azt, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 4.4 × 10²⁰ FLOP
- Hogyan jött létre
- Hardware,Third-party estimation
60 K80 GPUs * 30 days * 8.5 TFLOPS/GPU * 0.33 utilization = 4.36e20 Authors of "AI and Memory Wall" (https://github.com/amirgholami/ai_and_memory_wall) estimated model's training compute as 450,000 PFLOP = 4.5*10^20 FLOP
A képzési futam
A kiképzéshez fizikailag szükséges volt: milyen chipek, hány, meddig és mennyi áramot vett le a hálózatról.
- Képzési hardver
- NVIDIA Tesla K80
- Felhasznált chipek
- 60
- Chip-hours
- 43,200
- Wall-clock time
- 720 hours (30 days)
- Energiafogyasztás
- 37.8 kW
- Compute cost
- $13,109
"while the JFT experiments took over one month each."
Hogyan van besorolva
Címkék, amelyeket a forráshalmaz alkalmaz, amikor figyelemmel kíséri a figyelemre méltó modelleket, és mennyire biztos a bejegyzésben.
- Frontier model
- Yes
- Miért követik nyomon
- Highly cited
- Rögzítési bizalom
- Confident
- Citations
- 17,674
Források
Honnan származik ez a rekord és mikor ellenőrizték utoljára.
- Referencia
- Xception: Deep Learning with Depthwise Separable Convolutions
- Utoljára frissítve
- 25 May 2026
Mit jelentek a számok
Mit jelent ez a modell?
Xception was published by Google, in United States of America, in October 2016. The organisation is categorised as industry.
It works in Vision, and is recorded as doing image classification.
Súlyait soha nem publikálták, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, amely ezt megváltoztatja.
Training and provenance
Training it took roughly 4.4 × 10²⁰ FLOP of computation, on NVIDIA Tesla K80 — a measure of what producing the model cost, not of how fast it answers.
Around 350,000,000 tokens went into training it.
The reason it appears in this catalogue at all is highly cited.
Válaszok
Xception — Gyakran ismételt kérdések
When was Xception released?
Xception was published in October 2016. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is Xception used for?
Xception works in Vision, and is recorded as handling image classification. These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train Xception?
Around 4.4 × 10²⁰ FLOP, on NVIDIA Tesla K80. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run Xception?
None. Xception is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is Xception open source?
The licensing for Xception was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does Xception have?
Xception has 22.9M parameters. Table 3. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created Xception?
Xception was published by Google, based in United States of America, categorised as industry.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már rendelkezik egy kártyával és szeretné tudni, hogy minden mit fog futtatni, kérjük, folytassa., kezdje a hardverrel inkább.