Noisy Student (L2)
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
- Carnegie Mellon University (CMU),Google
- Tipo di organizzazione
- Academia,Industry
- Paese
- United States of America
- Pubblicato
- 11 November 2019
- Autori
- Q Xie, MT Luong, E Hovy, QV Lee
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Image classification
- Formato numerico
- FP32
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
- 480M
- Dati di addestramento
- 81,000,000 tokens
"Due to duplications, there are only 81M unique images among these 130M images."
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.
- Calcolo di addestramento
- 2.6 × 10²² FLOP
- Come è stato stabilito
- Hardware
"Our largest model, EfficientNet-L2, needs to be trained for 6 days on a Cloud TPU v3 Pod, which has 2048 cores, if the unlabeled batch size is 14x the labeled batch size" TPU v3 gets 1.23e14 FLOP/s per chip, with 2 cores per chip 1024 * 1.23e14 * 6 * 24 * 3600 * 0.4 = 2.612e22
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
- Google TPU v3
- Chip utilizzati
- 1,024
- Tempo di parete
- 144 hours
- Consumo energetico
- 944.3 kW
- Costo di calcolo
- $45,610
6 days
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
apache 2.0 license: https://github.com/google-research/noisystudent train script: https://github.com/google-research/noisystudent/blob/master/local_scripts/imagenet/train.sh
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Modello Frontier
- Yes
- Perché è monitorato
- Highly cited,SOTA improvement
- Record fiducia
- Confident
- Citazioni
- 2,743
"Noisy Student Training achieves 88.4% top-1 accuracy on ImageNet, which is 2.0% better than the state-of-the-art model"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Self-training with Noisy Student improves ImageNet classification
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
Noisy Student (L2) è stato pubblicato da Carnegie Mellon University (CMU),Google, nel paese registrato come United States of America, durante November 2019. La categoria sotto cui rientra l'editore è academia,Industry.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image classification.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Cosa è stato necessario per costruirlo
La produzione di esso ha richiesto un'aritmetica totale di circa 2.6 × 10²² FLOP, su hardware registrato come Google TPU v3. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 81,000,000 token di testo
Il motivo per cui appare in questo catalogo è: highly cited,SOTA improvement.
Risposte
Noisy Student (L2) — domande comuni
Noisy Student (L2)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Noisy Student (L2)— quanti parametri ha?
Ha un numero di parametri di 480M. 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.
Noisy Student (L2)— chi l'ha creato?
È stato pubblicato da Carnegie Mellon University (CMU),Google, basato su United States of America, un'organizzazione categorizzata come academia,Industry.
Noisy Student (L2)— quando è stato rilasciato?
È stato pubblicato in November 2019. 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.
Noisy Student (L2)— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di image classification. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
Noisy Student (L2)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.6 × 10²² FLOP, su hardware registrato come Google TPU v3. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
Noisy Student (L2)— 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.
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.