DistBelief Vision
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
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 3 December 2012
- Autori
- J. Dean, G. Corrado, R. Monga, Kai Chen, M. Devin, Quoc V. Le, Mark Z. Mao, Marc'Aurelio Ranzato, A. Senior, P. Tucker, Ke Yang, A. Ng
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
- 1.7B
- Dati di addestramento
- 16,000,000 tokens
"we used Downpour SGD to train the 1.7 billion parameter image model"
For visual object recognition we trained a larger neural network with locally-connected receptive fields on the ImageNet data set of 16 million images
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,Highly cited
- Record fiducia
- Likely
" We have successfully used our system to train a deep network 30x larger than previously reported in the literature, and achieves state-of-the-art performance on ImageNet"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Large Scale Distributed Deep Networks
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
DistBelief Vision è stato pubblicato da Google, nel paese registrato come United States of America, durante December 2012. Esce da un'organizzazione categorizzata come industry.
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
È stato addestrato su un corpus di circa 16,000,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: sOTA improvement,Highly cited.
Risposte
DistBelief Vision — domande comuni
DistBelief Vision— 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.
DistBelief Vision— 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.
DistBelief Vision— 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.
DistBelief Vision— quanti parametri ha?
Ha un numero di parametri di 1.7B. "we used Downpour SGD to train the 1.7 billion parameter image model". 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.
DistBelief Vision— chi l'ha creato?
È stato pubblicato da Google, basato su United States of America, un'organizzazione categorizzata come industry.
DistBelief Vision— quando è stato rilasciato?
È stato pubblicato in December 2012. 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.
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.