Self-Attention and Convolutional Layers
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
- Ecole Polytechnique F´ed´erale de Lausanne (EPFL)
- Organisatietype
- Academia
- Land
- Switzerland
- Gepubliceerd
- 8 November 2019
- Auteurs
- Jean-Baptiste Cordonnier, Andreas Loukas & Martin Jaggi
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
- 29.5M
- Training gegevens
- tokens
- Epochs
- 300
from Table 1
size of CIFAR-10
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
- 6.8 × 10¹⁷ FLOP
- Hoe het werd opgericht
- Operation counting
(15e9) * (300) * (50000) * 3 = 6.75e+17 (inference compute) * (epochs) * (dataset size) * (constant to account for backpropagation) epochs from appendix B table 2 inference compute from table 1
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
- Open source
Apache 2.0 for train/eval code: https://github.com/epfml/attention-cnn data is CIFAR which doesn't have a clear license
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.
- Record vertrouwen
- Confident
- Citaties
- 630
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- On the Relationship between Self-Attention and Convolutional Layers
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
Self-Attention and Convolutional Layers werd gepubliceerd door Ecole Polytechnique F´ed´erale de Lausanne (EPFL), in het land geregistreerd als Switzerland, tijdens November 2019. Het komt uit een organisatie gecategoriseerd als academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van image classification.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Training en herkomst
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 6.8 × 10¹⁷ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
Self-Attention and Convolutional Layers — veelgestelde vragen
Self-Attention and Convolutional Layers— wie heeft het gemaakt?
Het werd gepubliceerd door Ecole Polytechnique F´ed´erale de Lausanne (EPFL), gebaseerd op Switzerland, een organisatie geclassificeerd als academia.
Self-Attention and Convolutional Layers— wanneer is het uitgebracht?
Het werd gepubliceerd in November 2019. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Self-Attention and Convolutional Layers— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van image classification. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
Self-Attention and Convolutional Layers— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 6.8 × 10¹⁷ FLOP. 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.
Self-Attention and Convolutional Layers— 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.
Self-Attention and Convolutional Layers— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Self-Attention and Convolutional Layers— hoeveel parameters heeft het?
Het heeft een parameter telling van 29.5M. from Table 1. 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.
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.