AlexNet
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
- University of Toronto
- Szervezet típusa
- Academia
- Ország
- Canada
- Közölt
- 30 September 2012
- Szerzők
- Alex Krizhevsky, Ilya Sutskever, Geoffrey Hinton
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision
- Feladat
- Image classification
- 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
- 60M
- Képzési adatok
- 2,457,600,000 tokens
"Our neural network architecture has 60 million parameters."
"ImageNet is a dataset of over 15 million labeled high-resolution images belonging to roughly 22,000 categories. The images were collected from the web and labeled by human labelers using Amazon’s Mechanical Turk crowd-sourcing tool. Starting in 2010, as part of the Pascal Visual Object Challenge, an annual competition called the ImageNet Large-Scale Visual Recognition Challenge (ILSVRC) has been held. ILSVRC uses a subset of ImageNet with roughly 1000 images in each of 1000 categories. In all, …
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
- 4.7 × 10¹⁷ FLOP
- Hogyan jött létre
- Operation counting,Hardware,Third-party estimation
1.2M images * 90 epochs * 0.75 GFLOP * (2 add-multiply) * (3 backward pass) = 470 PF = 0.0054 pfs-days Source: https://openai.com/blog/ai-and-compute/ Hardware method: 2 GTX 580 3GB GPUs for "between five and six days". Assuming 5.5 days and 32-bit training: 1.581 TFLOPS * 5.5 days * 2 = 1.5e18 FLOP Comparing to the operation counting method, this implies around 31% MFU. Authors of "AI and Memory Wall" (https://github.com/amirgholami/ai_and_memory_wall) estimated model's training compute as …
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 580
- Fali óra idő
- 132 hours
- Hardverhasználat
- MFU 31.3%
- Számítási költség
- $16
"Our network takes between five and six days to train on two GTX 580 3GB GPUs."
Operation counting approach for compute estimate implies 470 PFLOP. Their hardware, 2 GTX 580 GPUs, would perform 1500 PFLOPs if operating in 32-bit for 5.5 days. This implies a model FLOP utilization rate of 31.3%. MFU = 470 PFLOP / 1500 PFLOP = 0.3133
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,Historical significance
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 125,497
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- ImageNet Classification with Deep Convolutional Neural Networks
- Utoljára frissítve
- 1 January 2026
Mit jelentenek a számok
Háttér
AlexNet ki lett adva által University of Toronto, az országban rögzítve mint Canada, alatt September 2012. A kiadó kategóriája alá tartozik academia.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása image classification.
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Képzés és származás
A létrehozásához körülbelül összesítő aritmetikára volt szükség. 4.7 × 10¹⁷ FLOP, hardveren rögzítve NVIDIA GeForce GTX 580. 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 2,457,600,000 szöveg tokenjei
Egy különös okból nyomon követik az alapul szolgáló adatbázisban: highly cited,Historical significance.
Válaszok
AlexNet — gyakori kérdések
AlexNet— Ki készítette ezt?
Kiadta University of Toronto, alapján Canada, egy szervezet, amelyet kategorizáltak mint academia.
AlexNet— Mikor adták ki?
Kibocsátották a September 2012. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
AlexNet— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot image classification. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
AlexNet— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 4.7 × 10¹⁷ FLOP, hardveren rögzítve NVIDIA GeForce GTX 580. 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.
AlexNet— 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.
AlexNet— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
AlexNet— Hány paramétere van?
Paraméterszáma 60M. "Our neural network architecture has 60 million parameters.". 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.
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..