Attend-Infer-Repeat
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
- Google DeepMind
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 12 August 2016
- Autori
- SM Ali Eslami, Nicolas Heess, Theophane Weber, Yuval Tassa, David Szepesvari, Geoffrey E Hinton
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Object recognition
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
- 82.1M
- Dati di addestramento
- tokens
from appendix E: The convolutional neural network uses a 64×(5×5)-64×(5×5)-64×(5×5)-512 architecture.
60000 MNIST images
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 × 10¹⁶ FLOP
- Come è stato stabilito
- Hardware
(peak FLOPs for GPU - 1244 GFLOPs) times (training time - 3600 * 48 second) * (0.3 assumed utilization rate)
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 Quadro K4000
- Tempo di parete
- 48 hours
48 hours for MNIST model, 72 hours for 3D scenes model
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 581
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Attend, Infer, Repeat: Fast Scene Understanding with Generative Models
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Cosa è questo modello
Attend-Infer-Repeat è stato pubblicato da Google DeepMind, nel paese registrato come United States of America, durante August 2016. L'organizzazione di pubblicazione è classificata come industry.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di object recognition.
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 training ha richiesto un budget di calcolo di circa 6.4 × 10¹⁶ FLOP, su hardware registrato come NVIDIA Quadro K4000. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
Attend-Infer-Repeat — domande comuni
Attend-Infer-Repeat— quanti parametri ha?
Ha un numero di parametri di 82.1M. from appendix E: The convolutional neural network uses a 64×(5×5)-64×(5×5)-64×(5×5)-512 architecture. 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.
Attend-Infer-Repeat— chi l'ha creato?
È stato pubblicato da Google DeepMind, basato su United States of America, un'organizzazione categorizzata come industry.
Attend-Infer-Repeat— quando è stato rilasciato?
È stato pubblicato in August 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.
Attend-Infer-Repeat— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di object recognition. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
Attend-Infer-Repeat— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 6.4 × 10¹⁶ FLOP, su hardware registrato come NVIDIA Quadro K4000. 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.
Attend-Infer-Repeat— 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.
Attend-Infer-Repeat— 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.