Self-Attention and Convolutional Layers
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
- Ecole Polytechnique F´ed´erale de Lausanne (EPFL)
- Tipo di organizzazione
- Academia
- Paese
- Switzerland
- Pubblicato
- 8 November 2019
- Autori
- Jean-Baptiste Cordonnier, Andreas Loukas & Martin Jaggi
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Image classification
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
- 29.5M
- Dati di addestramento
- tokens
- Epoche
- 300
from Table 1
size of CIFAR-10
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
- 6.8 × 10¹⁷ FLOP
- Come è stato stabilito
- Operation counting
(15e9) * (300) * (50000) * 3 = 6.75e+17 (inference compute) * (epochs) * (dataset size) * (constant to account for backpropagation) epochs from appendix B table 2 inference compute from table 1
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 for train/eval code: https://github.com/epfml/attention-cnn data is CIFAR which doesn't have a clear license
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 630
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- On the Relationship between Self-Attention and Convolutional Layers
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Cosa è questo modello
Self-Attention and Convolutional Layers è stato pubblicato da Ecole Polytechnique F´ed´erale de Lausanne (EPFL), nel paese registrato come Switzerland, durante November 2019. Esce da un'organizzazione categorizzata come academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image classification.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Addestramento e provenienza
La produzione di esso ha richiesto un'aritmetica totale di circa 6.8 × 10¹⁷ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
Self-Attention and Convolutional Layers — domande comuni
Self-Attention and Convolutional Layers— chi l'ha creato?
È stato pubblicato da Ecole Polytechnique F´ed´erale de Lausanne (EPFL), basato su Switzerland, un'organizzazione categorizzata come academia.
Self-Attention and Convolutional Layers— 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.
Self-Attention and Convolutional Layers— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di image classification. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
Self-Attention and Convolutional Layers— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 6.8 × 10¹⁷ FLOP. 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.
Self-Attention and Convolutional Layers— 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.
Self-Attention and Convolutional Layers— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Self-Attention and Convolutional Layers— quanti parametri ha?
Ha un numero di parametri di 29.5M. from Table 1. 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.