VGG16
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 Oxford
- Tipo di organizzazione
- Academia
- Paese
- United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 4 September 2014
- Autori
- Karen Simonyan; Andrew Zisserman
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
- 138M
- Dati di addestramento
- 1,300,000 tokens
- Epoche
- 74
- Dimensione del Batch
- 256
Source: Table 2 https://arxiv.org/abs/1409.1556
"In this section, we present the image classification results achieved by the described ConvNet architectures on the ILSVRC-2012 dataset (which was used for ILSVRC 2012–2014 challenges). The dataset includes images of 1000 classes, and is split into three sets: training (1.3M images), validation (50K images), and testing (100K images with held-out class labels)." This is confirmed by section 3.1 Training: "The batch size was set to 256" "In total, the learning rate was decreased 3 times, and th…
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
- 1.2 × 10¹⁹ FLOP
- Come è stato stabilito
- Hardware
3 weeks * 4 Titan Black GPUs * 0.30 utilization Section 3.3: "On a system equipped with four NVIDIA Titan Black GPUs, training a single net took 2–3 weeks depending on the architecture." Titan Black performance: 5.645 TFLOPS (assuming FP32) https://www.wolframalpha.com/input?i=5.645+TFLOPS+*+3+weeks+*+4+*+0.3
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 Black
- Chip utilizzati
- 4
- Tempo di parete
- 504 hours (21 days)
- Consumo energetico
- 2.1 kW
- Costo di calcolo
- $239
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Modello Frontier
- Yes
- Perché è monitorato
- Highly cited
- Record fiducia
- Confident
- Citazioni
- 111,439
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Very Deep Convolutional Networks for Large-Scale Image Recognition
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Sfondo
VGG16 è stato pubblicato da University of Oxford, nel paese registrato come United Kingdom of Great Britain and Northern Ireland, durante September 2014. La categoria sotto cui rientra l'editore è 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 training ha richiesto un budget di calcolo di circa 1.2 × 10¹⁹ FLOP, su hardware registrato come NVIDIA GeForce GTX Titan Black. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
L'addestramento ha consumato un corpus di circa 1,300,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: highly cited.
Risposte
VGG16 — domande comuni
VGG16— 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.
VGG16— quanti parametri ha?
Ha un numero di parametri di 138M. Source: Table 2 https://arxiv.org/abs/1409.1556. 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.
VGG16— chi l'ha creato?
È stato pubblicato da University of Oxford, basato su United Kingdom of Great Britain and Northern Ireland, un'organizzazione categorizzata come academia.
VGG16— quando è stato rilasciato?
È stato pubblicato in September 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.
VGG16— 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.
VGG16— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.2 × 10¹⁹ FLOP, su hardware registrato come NVIDIA GeForce GTX Titan Black. 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.
VGG16— 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.
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.