ADAM (CIFAR-10)
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
- University of Amsterdam,OpenAI,University of Toronto
- Tipo di organizzazione
- Academia,Industry,Academia
- Paese
- Netherlands, United States of America, Canada
- Pubblicato
- 22 December 2014
- Autori
- Diederik P. Kingma, Jimmy Ba
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
- 2.4M
- Dati di addestramento
- 50,000 tokens
CIFAR-10 with c64-c64-c128-1000 architecture "Our CNN architecture has three alternating stages of 5x5 convolution filters and 3x3 max pooling with stride of 2 that are followed by a fully connected layer of 1000 rectified linear hidden units (ReLU’s). " "Training cost over 45 epochs. CIFAR-10 with c64-c64-c128-1000 architecture." CIFAR-10's input dimension is 32x32x3 Parameter: 3*64*5*5+64*64*5*5+64*128*5*5+128*4*4*1000+1000*10=2370000
Assumed they used the standard CIFAR-10 training split
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
- 6.2 × 10¹⁴ FLOP
- Come è stato stabilito
- Third-party estimation,Operation counting
From https://openai.com/blog/ai-and-compute/ Appendix less than 0.0007 pfs-days (86400*10^15*0.0007) Manual estimate: 3 (forward-backward adjustment) * 92589600 flop per forward pass * 50000 examples * 45 epochs = 624979800000000 (6.25e14)
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
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- Highly cited
- Record fiducia
- Confident
- Citazioni
- 166,267
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Adam: A Method for Stochastic Optimization
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
ADAM (CIFAR-10) è stato pubblicato da University of Amsterdam,OpenAI,University of Toronto, nel paese registrato come Netherlands, durante December 2014. L'organizzazione di pubblicazione è classificata come academia,Industry,Academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image classification.
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 6.2 × 10¹⁴ 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
Il motivo per cui appare in questo catalogo è: highly cited.
Risposte
ADAM (CIFAR-10) — domande comuni
ADAM (CIFAR-10)— 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.
ADAM (CIFAR-10)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
ADAM (CIFAR-10)— quanti parametri ha?
Ha un numero di parametri di 2.4M. CIFAR-10 with c64-c64-c128-1000 architecture "Our CNN architecture has three alternating stages of 5x5 convolution filters and 3x3 max pooling with stride of 2 that are followed by a fully connected layer of 1000 rectified linear hidden units (ReLU’s). " "Training cost over 45 epochs. CIFAR-10 with c64-c64-c128-1000 architecture." CIFAR-10's input dimension is 32x32x3 Parameter: 3*64*5*5+64*64*5*5+64*128*5*5+128*4*4*1000+1000*10=2370000. 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.
ADAM (CIFAR-10)— chi l'ha creato?
È stato pubblicato da University of Amsterdam,OpenAI,University of Toronto, basato su Netherlands, un'organizzazione categorizzata come academia,Industry,Academia.
ADAM (CIFAR-10)— quando è stato rilasciato?
È stato pubblicato in December 2014. 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.
ADAM (CIFAR-10)— 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.
ADAM (CIFAR-10)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 6.2 × 10¹⁴ 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.
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.