AlexNet + coordinating filters calcolatore TPS

Apri i pesi University of Pittsburgh,Duke University 60M parametri March 2017

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 · 614 tok/s

Scheda più veloce

B200

56,471 tok/s · 180 GB

Quali GPU possono eseguire AlexNet + coordinating filters?

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
56,471 tok/s 33,882–90,353 · bassa fiducia	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	0.8 GB	Q8_0	Comodo
56,471 tok/s 33,882–90,353 · bassa fiducia	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	0.8 GB	Q8_0	Comodo
45,093 tok/s 27,056–72,149 · bassa fiducia	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Comodo
45,093 tok/s 27,056–72,149 · bassa fiducia	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	0.8 GB	Q8_0	Comodo
36,064 tok/s 21,638–57,702 · bassa fiducia	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	0.8 GB	Q8_0	Comodo
34,518 tok/s 20,711–55,228 · bassa fiducia	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Comodo
34,518 tok/s 20,711–55,228 · bassa fiducia	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	0.8 GB	Q8_0	Comodo
33,035 tok/s 19,821–52,856 · bassa fiducia	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	0.8 GB	Q8_0	Comodo
29,319 tok/s 17,591–46,910 · bassa fiducia	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Comodo
29,319 tok/s 17,591–46,910 · bassa fiducia	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Comodo
29,319 tok/s 17,591–46,910 · bassa fiducia	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	0.8 GB	Q8_0	Comodo
27,812 tok/s 16,687–44,499 · bassa fiducia	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	0.8 GB	Q8_0	Comodo
23,718 tok/s 14,231–37,948 · bassa fiducia	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Comodo
23,718 tok/s 14,231–37,948 · bassa fiducia	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	0.8 GB	Q8_0	Comodo
23,718 tok/s 14,231–37,948 · bassa fiducia	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Comodo
23,718 tok/s 14,231–37,948 · bassa fiducia	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Comodo
23,718 tok/s 14,231–37,948 · bassa fiducia	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	0.8 GB	Q8_0	Comodo
18,059 tok/s 10,836–28,895 · bassa fiducia	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Comodo
18,059 tok/s 10,836–28,895 · bassa fiducia	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	0.8 GB	Q8_0	Comodo
15,049 tok/s 9,030–24,079 · bassa fiducia	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	0.8 GB	Q8_0	Comodo
14,728 tok/s 8,837–23,565 · bassa fiducia	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	0.8 GB	Q8_0	Comodo
14,400 tok/s 8,640–23,040 · bassa fiducia	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	0.8 GB	Q8_0	Comodo
14,400 tok/s 8,640–23,040 · bassa fiducia	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	0.8 GB	Q8_0	Comodo
14,400 tok/s 8,640–23,040 · bassa fiducia	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	0.8 GB	Q8_0	Comodo
14,400 tok/s 8,640–23,040 · bassa fiducia	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	0.8 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 Pittsburgh,Duke University
Tipo di organizzazione: Academia,Academia
Paese: United States of America
Pubblicato: 28 March 2017
Autori: Wei Wen, Cong Xu, Chunpeng Wu, Yandan Wang, Yiran Chen, Hai Li

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: 60M
Dati di addestramento: 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: Comparison with other models

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: 172

Fonti

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

Riferimento: Coordinating Filters for Faster Deep Neural Networks
Ultimo aggiornamento: 28 November 2025

Gli estremi

Le dieci GPU più veloci che eseguono AlexNet + coordinating filters

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 AlexNet + coordinating filters

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

Cosa serve per eseguire questo modello

Scheda minima

Tesla C1080

Memoria necessaria

0.8 GB

Più veloce

56,471 tok/s

AlexNet + coordinating filters raggiunge un conteggio di parametri di 60M. 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.

La scheda più piccola che lo tiene è Tesla C1080, con una capacità di memoria di 4 GB, eseguendolo a una compressione di Q8_0 e producendo circa 614 token al secondo

All'altra estremità si trova B200, generando approssimativamente 56,471 token al secondo sulla base di una larghezza di banda di VRAM 8,000 GB/s.

Cosa è questo modello

AlexNet + coordinating filters è stato pubblicato da University of Pittsburgh,Duke University, nel paese registrato come United States of America, durante March 2017. La categoria sotto cui rientra l'editore è academia,Academia.

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

Poiché i suoi pesi sono stati rilasciati, nulla sull'esecuzione dipende da un fornitore che rimane disponibile — è tuo una volta scaricato.

Cosa decide la velocità

Il risultato mediano è attorno 1,585.7 token al secondo. Producendo testo più veloce della maggior parte delle persone che lo leggono. 818 di loro

Essendo denso, legge tutto se stesso per token, motivo per cui l'ordinamento per velocità qui sotto segue da vicino l'ordinamento per larghezza di banda della memoria.

Senza il layout di attenzione in archivio, la colonna della memoria è un'approssimazione. È abbastanza vicino per scegliere l'hardware e meno affidabile con contesto lungo.

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.

Passo dopo passo

Come scegliere una GPU per AlexNet + coordinating filters

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

La tabella elenca ogni card in grado di contenere AlexNet + coordinating filters, avere bisogno di circa 0.8 GB a una compressione di Q8_0. Quella cifra, non le prestazioni di punta di una CARD, è ciò che decide se può essere eseguita.
02

Corrispondi il contesto al tuo utilizzo attuale

Conversazioni più lunghe richiedono memoria oltre a ciò che i pesi necessitano. Muovi il cursore sulla tua reale lunghezza di lavoro prima di fidarti di qualsiasi riga per AlexNet + coordinating filters.
03

Scegli quanto lontano lo comprimerai

La colonna di quantizzazione varia a seconda della scheda, perché una scheda più grande contiene una copia più precisa., 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

Confronta TOKEN AL SEC, non specifiche.

Ordina per velocità per vedere come si classificano le schede per AlexNet + coordinating filters. 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 56,471 tok/s
05

Guarda il margine, non solo l'adattamento

Tight significa che si carica e funziona senza spazio per aumentare il context length in caso di AlexNet + coordinating filters. 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 AlexNet + coordinating filters.

Risposte

AlexNet + coordinating filters — domande comuni

AlexNet + coordinating filters— posso eseguirlo se non si adatta nella mia GPU?

Parzialmente. I layer che non si adattano si trovano nella memoria di sistema e funzionano a una frazione della velocità, quindi un modello in gran parte scaricato è raramente conveniente da usare. Ogni figura qui presume che l'intero modello sia residente sulla scheda.

AlexNet + coordinating filters— due GPU lo farebbero andare più veloce?

La capacità si somma tra le schede; il throughput no. Il numero di schede che già la possiedono da sole: 818. Quindi una seconda CARD è raramente la risposta qui.

AlexNet + coordinating filters— perché la quantizzazione differisce tra le schede?

Una scheda più grande contiene una copia più accurata. Il numero di livelli di compressione utilizzati tra le schede che lo eseguono: 1. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.

AlexNet + coordinating filters— quanto sono accurate queste stime di velocità?

Queste sono stime con barre di errore reali, e ognuna di esse potrebbe ragionevolmente collocarsi ovunque nel suo intervallo pubblicato a seconda del runtime che utilizzi. Il risultato più veloce qui: 33,882–90,353 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.

AlexNet + coordinating filters— 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 0.8 GB, e produce approssimativamente 614 token al secondo. Il numero di card in grado di eseguirlo in totale: 818.

AlexNet + coordinating filters— quanto è veloce su una GPU?

Dipende dalla scheda. La più rapida che calcoliamo è B200, circa 56,471 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.

AlexNet + coordinating filters— quanta VRAM serve?

Ha bisogno di 0.8 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.

AlexNet + coordinating filters— 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 0.8 GB e generando approssimativamente 10,518 token al secondo. Il fit è comodo.

AlexNet + coordinating filters— 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 0.8 GB e generando approssimativamente 6,440 token al secondo. Il fit è comodo.

AlexNet + coordinating filters— 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 0.8 GB e generando approssimativamente 7,976 token al secondo. Il fit è comodo.

AlexNet + coordinating filters— 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 0.8 GB e generando approssimativamente 9,459 token al secondo. Il fit è comodo.

AlexNet + coordinating filters— 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.

AlexNet + coordinating filters— quanti parametri ha?

Ha un numero di parametri di 60M. The paper reimplements ResNet-20, AlexNet and GoogLeNet. The largest from these models is AlexNet. (data for these models taken from this db) AlexNet has 60000000.00 params. GoogLeNet has 6797700.00 params. So max(60000000, 6797700) = 60000000 source "The effectiveness of our approach is comprehensively evaluated in ResNets, AlexNet, and GoogLeNet. In AlexNet, for example, Force Regularization gains 2x speedup on modern GPU without accuracy loss and 4.05x speedup on CPU by paying small accuracy degradation. ". 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.

AlexNet + coordinating filters— chi l'ha creato?

È stato pubblicato da University of Pittsburgh,Duke University, basato su United States of America, un'organizzazione categorizzata come academia,Academia.

AlexNet + coordinating filters— quando è stato rilasciato?

È stato pubblicato in March 2017. 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.

AlexNet + coordinating filters— 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.

AlexNet + coordinating filters— 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.

AlexNet + coordinating filters— 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.

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 28 November 2025

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