CoAtNet
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Google,Google Research,Google Brain
- Organisatietype
- Industry,Industry,Industry
- Land
- United States of America
- Gepubliceerd
- 9 June 2021
- Auteurs
- Zihang Dai, Hanxiao Liu, Quoc V. Le, Mingxing Tan
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Image classification
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 2.4B
- Training gegevens
- 88,779,000,000,000 tokens
- Epochs
- 1.83
Used JFT-3B (3 billion images), but not stated for how many epochs. Based on GPU time, training took 4.27e+22 FLOPs. Table 5 indicates 2.586e12 FLOPs per image. Since training is roughly 3x the FLOP cost of inference, implies inference on full training set took 1.42e22 FLOP Then # images trained over is around 1.42e22 / 2.586e12 = 5,491,105,955 So probably ~1.83 epochs on 3B images
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 4.3 × 10²² FLOP
- Hoe het werd opgericht
- Hardware
20.1K TPU-v3 core-days TPUs have two cores per chip, and a chip is 123 teraflop/s https://cloud.google.com/tpu/docs/system-architecture-tpu-vm#tpu_v3 123 teraflop/s * 20100/2 * 24 * 3600 * 0.4 (utilization assumption for non-language models) = 4.27e22
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- Google TPU v3
- Chip-uren
- 10,050
- Rekenkosten
- $1,887
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Toegang tot model
- Unreleased
- Training code
- Unreleased
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Confident
- Citaties
- 1,589
"Notably, when we further scale up CoAtNet with JFT-3B, it achieves 90.88% top-1 accuracy on ImageNet, establishing a new state-of-the-art result."
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- CoAtNet: Marrying Convolution and Attention for All Data Sizes
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
CoAtNet werd gepubliceerd door Google,Google Research,Google Brain, in het land geregistreerd als United States of America, tijdens June 2021. De publicerende organisatie is geclassificeerd als industry,Industry,Industry.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van image classification.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Hoe het getraind werd
Training kostte een rekensbudget van ongeveer 4.3 × 10²² FLOP, op hardware vastgelegd als Google TPU v3. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
De trainingsset liep naar ongeveer 88,779,000,000,000 tekstokens
De inclusiecriteria: sOTA improvement.
Antwoorden
CoAtNet — veelgestelde vragen
CoAtNet— hoeveel parameters heeft het?
Het heeft een parameter telling van 2.4B. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
CoAtNet— wie heeft het gemaakt?
Het werd gepubliceerd door Google,Google Research,Google Brain, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Industry,Industry.
CoAtNet— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2021. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
CoAtNet— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van image classification. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
CoAtNet— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 4.3 × 10²² FLOP, op hardware vastgelegd als Google TPU v3. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
CoAtNet— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
CoAtNet— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.