Decoupled weight decay regularization calcolatore TPS

Apri i pesi University of Freiburg 36.5M parametri January 2019

Ogni scheda sottostante è valutata rispetto a questo modello alla lunghezza di contesto e alla qualità minima che scegli. La velocità è una stima per una singola richiesta, calcolata dalla larghezza di banda della memoria della scheda e dalla dimensione del modello una volta compresso..

Calcolato per questo modello

818 schede che possono eseguirlo

818 schede per cui abbiamo specifiche

Scheda più piccola che si adatta

Tesla C1080

4 GB · Q8_0 · 1,010 tok/s

Scheda più veloce

B200

92,828 tok/s · 180 GB

Quali GPU possono eseguire Decoupled weight decay regularization?

Imposta gli input, leggi la risposta

Lunghezza del contesto token

Una conversazione più lunga richiede più MEMORY, il che può spingere questo modello fuori da schede più piccole..

Qualità minima

Nasconde le schede che si adatterebbero solo al modello comprimendolo al di sotto di questo punto..

Cerca schede

Memoria della scheda

Mostra anche le schede che non possono eseguirlo.

818 schede corrispondono

Calcolo

					Ha bisogno	Quantizzazione	Adatto
92,828 tok/s 55,697–148,525 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.7 GB	Q8_0	Comodo
92,828 tok/s 55,697–148,525 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.7 GB	Q8_0	Comodo
74,126 tok/s 44,475–118,601 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Comodo
74,126 tok/s 44,475–118,601 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.7 GB	Q8_0	Comodo
59,283 tok/s 35,570–94,852 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.7 GB	Q8_0	Comodo
56,741 tok/s 34,045–90,786 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Comodo
56,741 tok/s 34,045–90,786 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.7 GB	Q8_0	Comodo
54,305 tok/s 32,583–86,887 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.7 GB	Q8_0	Comodo
48,195 tok/s 28,917–77,113 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Comodo
48,195 tok/s 28,917–77,113 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Comodo
48,195 tok/s 28,917–77,113 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.7 GB	Q8_0	Comodo
45,718 tok/s 27,431–73,149 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.7 GB	Q8_0	Comodo
38,988 tok/s 23,393–62,381 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Comodo
38,988 tok/s 23,393–62,381 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.7 GB	Q8_0	Comodo
38,988 tok/s 23,393–62,381 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Comodo
38,988 tok/s 23,393–62,381 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Comodo
38,988 tok/s 23,393–62,381 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.7 GB	Q8_0	Comodo
29,687 tok/s 17,812–47,498 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Comodo
29,687 tok/s 17,812–47,498 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.7 GB	Q8_0	Comodo
24,739 tok/s 14,843–39,582 · bassa fiducia	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.7 GB	Q8_0	Comodo
24,211 tok/s 14,526–38,737 · bassa fiducia	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.7 GB	Q8_0	Comodo
23,671 tok/s 14,203–37,874 · bassa fiducia	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.7 GB	Q8_0	Comodo
23,671 tok/s 14,203–37,874 · bassa fiducia	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.7 GB	Q8_0	Comodo
23,671 tok/s 14,203–37,874 · bassa fiducia	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.7 GB	Q8_0	Comodo
23,671 tok/s 14,203–37,874 · bassa fiducia	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.7 GB	Q8_0	Comodo

Le velocità sono stime per una singola richiesta — una conversazione alla volta — calcolate dalla larghezza di banda della memoria, dalla dimensione del modello e dalla quantizzazione. Il throughput reale varia con il runtime di inferenza e la sua versione. I valori pubblicati dai fornitori di hardware misurano molte richieste simultanee e sono molto più elevati..

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: University of Freiburg
Tipo di organizzazione: Academia
Paese: Germany
Pubblicato: 4 January 2019
Autori: Ilya Loshchilov and Frank Hutter

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: 36.5M
Dati di addestramento: 50,000 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.

Calcolo di addestramento: 4.7 × 10¹⁷ FLOP
Come è stato stabilito: Operation counting

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: Open — downloadable
Accesso al modello: Open weights (unrestricted)
Codice di addestramento: Open source

Come è classificato

Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.

Record fiducia: Confident
Citazioni: 2,658

Fonti

Da dove proviene questo record e quando è stato controllato l'ultima volta.

Riferimento: Decoupled weight decay regularization.
Ultimo aggiornamento: 25 May 2026

Gli estremi

Le dieci GPU più veloci che eseguono Decoupled weight decay regularization

Classificato per token stimati al secondo, scheda più recente per prima dove le velocità coincidono. Poiché la generazione è vincolata dalla larghezza di banda della memoria, quest'ordinamento segue la larghezza di banda piuttosto che qualsiasi benchmark di gioco..

Le GPU più piccole che ancora funzionano Decoupled weight decay regularization

Il percorso più economico, in base alla capacità di memoria. Un adattamento stretto esegue il modello ma non lascia nulla di riserva per una conversazione più lunga..

Cosa significano i numeri

Il lato hardware

Scheda minima

Tesla C1080

Memoria necessaria

0.7 GB

Più veloce

92,828 tok/s

Decoupled weight decay regularization raggiunge un conteggio di parametri di 36.5M. È piccolo abbastanza che l'hardware è raramente l'ostacolo, anche su CARD di diversi anni fa. Il numero di CARD che monitoriamo che possono eseguirlo: 818.

A basso prezzo è gestito da Tesla C1080, con una capacità di memoria di 4 GB, eseguendolo a una compressione di Q8_0 e producendo circa 1,010 token al secondo

All'altra estremità si trova B200, generando approssimativamente 92,828 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Cosa è questo modello

Decoupled weight decay regularization è stato pubblicato da University of Freiburg, nel paese registrato come Germany, durante January 2019. La categoria sotto cui rientra l'editore è academia.

Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image classification.

I pesi aperti sono ciò che mette questa pagina nel calcolatore piuttosto che solo nel catalogo: è un modello che puoi effettivamente tenere.

Cosa decide la velocità

Su ogni CARD che può eseguirlo, il centro della gamma si trova a 2,606.6 token al secondo. Superare la velocità di lettura in modo diretto: 818 di loro

Ogni peso partecipa a ogni token qui, quindi la larghezza di banda è tutta la storia: la classifica sottostante è effettivamente una classifica del throughput di memoria.

La memoria qui è stimata dalla dimensione piuttosto che calcolata dall'architettura, che non è registrata per questo modello — i numeri sono indicativi piuttosto che esatti.

Come è stato addestrato

Il run di addestramento ha consumato circa 4.7 × 10¹⁷ FLOP. 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 50,000 token di testo

Passo dopo passo

Come scegliere una GPU per Decoupled weight decay regularization

La tabella sopra ha già valutato ogni card di cui possediamo le specifiche rispetto a questo modello. Arrivare alla tua risposta richiede sei passaggi..

01

Inizia dalla colonna VRAM

Ogni card qui è stata controllata contro Decoupled weight decay regularization, avere bisogno di circa 0.7 GB a una compressione di Q8_0. Nessuna quantità di potenza di elaborazione compensano una card che non può contenerla.
02

Imposta la lunghezza del CONTEXT che utilizzerai.

La conversazione occupa memoria anche, e cresce man mano che procede. Imposta il cursore sulla lunghezza che ti aspetti, perché con un contesto lungo una CARD che gestisce facilmente domande brevi può essere scartata da Decoupled weight decay regularization.
03

Scegli quanto lontano lo comprimerai

La Compression è ciò che rende un modello adatto a schede più piccole, a fronte di un certo costo in accuratezza., raggiungendo una compressione di Q8_0 sulla scheda più piccola che si adatta. Impostare una qualità minima elimina le schede che riescono a gestirla solo spremendo oltre quanto desiderato e mantiene il confronto a un livello.
04

Ordina per velocità

Il ranking per tokens al secondo segue la larghezza di banda della memoria piuttosto che il numero di core, per Decoupled weight decay regularization. Non si adatterà a un'ordinazione da gaming, perché la generazione è vincolata dalla larghezza di banda della memoria. La scheda in cima alla lista è B200, nella 92,828 tok/s
05

Leggi l'ultima colonna di fit

La colonna della compatibilità separa le schede che riescono appena a farlo da quelle con spazio in più, nel caso di Decoupled weight decay regularization. Comfortable significa che puoi espandere il contesto in seguito. Quella differenza conta più di pochi token al secondo, quindi acquista per comfortable se ti aspetti di farlo.
06

Controlla la GPU dall'altro lato

Seguire una GPU attraverso la sua pagina mostra ogni altro modello che può contenere, che è la domanda che segue una volta che hai deciso su Decoupled weight decay regularization.

Risposte

Decoupled weight decay regularization — domande comuni

Decoupled weight decay regularization— posso eseguirlo su una GPU holding 24 GB?

Sì. La scheda GeForce RTX 5090 D V2, tenere 24 GB, lo esegue a una compressione di Q8_0, utilizzando circa 0.7 GB e generando approssimativamente 15,549 token al secondo. Il fit è comodo.

Decoupled weight decay regularization— è open-source?

I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.

Decoupled weight decay regularization— quanti parametri ha?

Ha un numero di parametri di 36.5M. From author communication WideResNet 28-10 models with 36.5 million parameters (3.65E+07). 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.

Decoupled weight decay regularization— chi l'ha creato?

È stato pubblicato da University of Freiburg, basato su Germany, un'organizzazione categorizzata come academia.

Decoupled weight decay regularization— quando è stato rilasciato?

È stato pubblicato in January 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.

Decoupled weight decay regularization— 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.

Decoupled weight decay regularization— Dove posso scaricarlo?

I pesi sono pubblicati, anche se non abbiamo un link al repository per essi. Questo sito calcola i requisiti hardware anziché ospitare file di modello.

Decoupled weight decay regularization— quanto calcolo è stato utilizzato per addestrarlo?

L'addestramento ha consumato circa 4.7 × 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.

Decoupled weight decay regularization— posso eseguirlo se non si adatta nella mia GPU?

Può essere diviso tra la scheda e la memoria di sistema, ma genera dolorosamente lentamente in quel modo. Ogni figura qui presume che l'intero modello sia residente sulla scheda.

Decoupled weight decay regularization— due GPU lo farebbero andare più veloce?

Due schede comprano VRAM piuttosto che velocità, che conta solo se una scheda non può contenerla. Il numero che può: 818. Quindi una seconda CARD è raramente la risposta qui.

Decoupled weight decay regularization— perché la quantizzazione differisce tra le schede?

Ogni card è mostrata mentre esegue la copia meno compressa che può contenere. Il numero di livelli di compressione distinti tra le card che si adattano: 1. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

Decoupled weight decay regularization— quanto sono accurate queste stime di velocità?

Ogni cifra è derivata dalla larghezza di banda della memoria e dalle dimensioni del modello, non calibrata, motivo per cui ognuna è pubblicata come un intervallo anziché come un singolo numero. Un esempio: 55,697–148,525 tok/s su B200. Lo stesso modello e scheda variano tra il trenta e il cinquanta per cento a seconda del software di inferenza e della sua versione.

Decoupled weight decay regularization— che GPU ho bisogno per eseguirlo?

La scheda più piccola nel nostro catalogo che la contiene è Tesla C1080, con una capacità di memoria di 4 GB. Esegui il modello a una compressione di Q8_0 utilizzando circa 0.7 GB, e produce approssimativamente 1,010 token al secondo. Il numero di card in grado di eseguirlo in totale: 818.

Decoupled weight decay regularization— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 92,828 token al secondo; il più lento che riesce a farlo gestisce considerevolmente meno. La velocità di lettura è di circa dieci token al secondo, e il numero di schede che riescono a farlo: 818.

Decoupled weight decay regularization— quanta VRAM serve?

Ha bisogno di 0.7 GB a una compressione di Q8_0, quale è la scheda più piccola che lo utilizza. Meno compressione richiede di più: le cifre nella colonna della memoria sopra sono ricalcolate per ogni scheda, perché ognuna contiene la versione meno compressa possibile.

Decoupled weight decay regularization— posso eseguirlo su una GPU holding 8 GB?

Sì. La scheda CMP 170HX 8 GB, tenere 8 GB, lo esegue a una compressione di Q8_0, utilizzando circa 0.7 GB e generando approssimativamente 17,289 token al secondo. Il fit è comodo.

Decoupled weight decay regularization— posso eseguirlo su una GPU holding 12 GB?

Sì. La scheda GeForce RTX 3080 Ti, tenere 12 GB, lo esegue a una compressione di Q8_0, utilizzando circa 0.7 GB e generando approssimativamente 10,587 token al secondo. Il fit è comodo.

Decoupled weight decay regularization— posso eseguirlo su una GPU holding 16 GB?

Sì. La scheda Tesla V100 SXM2 16 GB, tenere 16 GB, lo esegue a una compressione di Q8_0, utilizzando circa 0.7 GB e generando approssimativamente 13,112 token al secondo. Il fit è comodo.

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 25 May 2026

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.

Tutti i modelli AI