3-ensemble of Self-ensembles on CIFAR-100
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Google DeepMind
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 8 August 2024
- Autori
- Stanislav Fort, Balaji Lakshminarayanan
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Image classification
- Modello di base
- ResNet-152 (ImageNet)
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 60.2M
- Dati di addestramento
- tokens
- Epoche
- 13
as in resnet-152
"We focused on the CIFAR-* datasets (Krizhevsky, 2009; Krizhevsky et al.) that comprise 50,000 32 × 32 × 3 images. We arbitrarily chose 𝑁 = 4 and the resolutions we used are 32 × 32, 16 × 16, 8 × 8, 4 × 4 (see Figure 3)." Assuming (!) each image (32×32+16×16+8×8+4×4)×3 = 4080 tokens then the entire dataset was 50,000*4080 = 204000000 tokens
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Come è stato stabilito
- Operation counting,Hardware
- Addestramento fine
- 9.6 × 10¹⁷ FLOP
6ND = 6 FLOP / token / parameter * 60200000 parameters* 204000000 tokens * 13 epochs = 9.579024e+17 FLOP "On an A100, the Colab runs for 20 min for the backbone training (6 epochs) but more epochs and especially lower learning rate training later helps. " 312000000000000 FLOP / GPU / sec [bf16 assumed] * 1 GPU * 20 minutes *60 sec / minute * 0.3 [assumed utilization] = 1.1232e+17 FLOP (an underestimation since the training took more epochs)
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA A100
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
- Codice di addestramento
- Open source
MIT license https://github.com/stanislavfort/ensemble-everything-everywhere
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Likely
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Ensemble everything everywhere: Multi-scale aggregation for adversarial robustness
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Sfondo
3-ensemble of Self-ensembles on CIFAR-100 è stato pubblicato da Google DeepMind, nel paese registrato come United States of America, durante August 2024. Esce da un'organizzazione categorizzata come industry.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image classification.
Il suo punto di partenza era un modello di base esistente, ResNet-152 (ImageNet). La maggior parte dei modelli di questa scala sono adattati da una base esistente piuttosto che costruiti da zero.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Risposte
3-ensemble of Self-ensembles on CIFAR-100 — domande comuni
3-ensemble of Self-ensembles on CIFAR-100— chi l'ha creato?
È stato pubblicato da Google DeepMind, basato su United States of America, un'organizzazione categorizzata come industry.
3-ensemble of Self-ensembles on CIFAR-100— quando è stato rilasciato?
È stato pubblicato in August 2024. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
3-ensemble of Self-ensembles on CIFAR-100— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di image classification. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
3-ensemble of Self-ensembles on CIFAR-100— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
3-ensemble of Self-ensembles on CIFAR-100— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
3-ensemble of Self-ensembles on CIFAR-100— quanti parametri ha?
Ha un numero di parametri di 60.2M. as in resnet-152. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.