AlphaX-1
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
- Facebook AI Research,Brown University
- Tipo di organizzazione
- Industry,Academia
- Paese
- United States of America, France
- Pubblicato
- 2 October 2019
- Autori
- Linnan Wang, Yiyang Zhao, Yuu Jinnai, Yuandong Tian, Rodrigo Fonseca1
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Neural architecture search for computer vision, Image classification, Object detection, Image captioning
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
- 5.4M
- Dati di addestramento
- 61,280,000 tokens
Table 3: multiadds for AlphaX-1 579M, parameters 5.4M
Standard image net training size, not otherwise specified
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
- 8.9 × 10¹⁷ FLOP
" Our models for ImageNet use polynomial learning rate schedule, starting with 0.05 and decay through 200 epochs." 1280000 images * 200 epochs *3 forward-backward adjustment * 1158000000 forward FLOP =889344000000000000
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 GeForce GTX 1080 Ti
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 (non-commercial)
code, no license specified: https://github.com/linnanwang/AlphaX-NASBench101 training: https://github.com/linnanwang/AlphaX-NASBench101/blob/master/net_training.py
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- SOTA improvement
- Record fiducia
- Confident
- Citazioni
- 100
"In 12 GPU days and 1000 samples, AlphaX found an architecture that reaches 97.84\% top-1 accuracy on CIFAR-10, and 75.5\% top-1 accuracy on ImageNet, exceeding SOTA NAS methods in both the accuracy and sampling efficiency"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- AlphaX: eXploring Neural Architectures with Deep Neural Networks and Monte Carlo Tree Search
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
AlphaX-1 è stato pubblicato da Facebook AI Research,Brown University, nel paese registrato come United States of America, durante October 2019. Esce da un'organizzazione categorizzata come industry,Academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di neural architecture search for computer vision, Image classification, Object detection, Image captioning.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Addestramento e provenienza
La produzione di esso ha richiesto un'aritmetica totale di circa 8.9 × 10¹⁷ FLOP, su hardware registrato come NVIDIA GeForce GTX 1080 Ti. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
L'addestramento ha consumato un corpus di circa 61,280,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: sOTA improvement.
Risposte
AlphaX-1 — domande comuni
AlphaX-1— 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.
AlphaX-1— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
AlphaX-1— quanti parametri ha?
Ha un numero di parametri di 5.4M. Table 3: multiadds for AlphaX-1 579M, parameters 5.4M. 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.
AlphaX-1— chi l'ha creato?
È stato pubblicato da Facebook AI Research,Brown University, basato su United States of America, un'organizzazione categorizzata come industry,Academia.
AlphaX-1— quando è stato rilasciato?
È stato pubblicato in October 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.
AlphaX-1— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di neural architecture search for computer vision, Image classification, Object detection, Image captioning. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
AlphaX-1— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 8.9 × 10¹⁷ FLOP, su hardware registrato come NVIDIA GeForce GTX 1080 Ti. 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.
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.