PolyNet
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
- Chinese University of Hong Kong (CUHK)
- Tipo di organizzazione
- Academia
- Paese
- Hong Kong
- Pubblicato
- 17 November 2016
- Autori
- X Zhang, Z Li, C Change Loy
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
- 92M
- Dati di addestramento
- 1,280,000 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
- 6.4 × 10¹⁹ FLOP
- Come è stato stabilito
- Comparison with other models,Operation counting
Section 5: "ResNet-500 [has] similar computation costs to our Very Deep PolyNet". ResNet-152 has 11.3e9 FLOP per forward pass (https://arxiv.org/abs/1512.03385, Table 1). Hence ResNet-500 has approx 3.7e10 = 11.3e9*500/152 FLOP per forward pass. 560k iterations, batch size 512: Train compute = 3.7e10*3*2*560e3 * 512 = 6.4e19
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 TITAN X
- Chip utilizzati
- 32
- Consumo energetico
- 16.8 kW
- Costo di calcolo
- $617
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
- Likely
- Citazioni
- 282
"The Very Deep PolyNet, designed following this direction, demonstrates substantial improvements over the state-of-the-art on the ILSVRC 2012 benchmark. Compared to Inception-ResNet-v2, it reduces the top-5 validation error on single crops from 4.9% to 4.25%, and that on multi-crops from 3.7% to 3.45%."
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- PolyNet: A Pursuit of Structural Diversity in Very Deep Networks
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
PolyNet è stato pubblicato da Chinese University of Hong Kong (CUHK), nel paese registrato come Hong Kong, durante November 2016. L'organizzazione di pubblicazione è classificata 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
Il run di addestramento ha consumato circa 6.4 × 10¹⁹ FLOP, su hardware registrato come NVIDIA GeForce GTX TITAN X. 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 1,280,000 token di testo
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
PolyNet — domande comuni
PolyNet— quanti parametri ha?
Ha un numero di parametri di 92M. 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.
PolyNet— chi l'ha creato?
È stato pubblicato da Chinese University of Hong Kong (CUHK), basato su Hong Kong, un'organizzazione categorizzata come academia.
PolyNet— quando è stato rilasciato?
È stato pubblicato in November 2016. 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.
PolyNet— 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.
PolyNet— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 6.4 × 10¹⁹ FLOP, su hardware registrato come NVIDIA GeForce GTX TITAN X. 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.
PolyNet— 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.
PolyNet— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
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.