AlphaX-1
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
- Facebook AI Research,Brown University
- Organisatietype
- Industry,Academia
- Land
- United States of America, France
- Gepubliceerd
- 2 October 2019
- Auteurs
- Linnan Wang, Yiyang Zhao, Yuu Jinnai, Yuandong Tian, Rodrigo Fonseca1
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Neural architecture search for computer vision, Image classification, Object detection, Image captioning
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
- 5.4M
- Training gegevens
- 61,280,000 tokens
Table 3: multiadds for AlphaX-1 579M, parameters 5.4M
Standard image net training size, not otherwise specified
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
- 8.9 × 10¹⁷ FLOP
" Our models for ImageNet use polynomial learning rate schedule, starting with 0.05 and decay through 200 epochs." 1280000 images * 200 epochs *3 forward-backward adjustment * 1158000000 forward FLOP =889344000000000000
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA GeForce GTX 1080 Ti
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 (non-commercial)
code, no license specified: https://github.com/linnanwang/AlphaX-NASBench101 training: https://github.com/linnanwang/AlphaX-NASBench101/blob/master/net_training.py
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
- 100
"In 12 GPU days and 1000 samples, AlphaX found an architecture that reaches 97.84\% top-1 accuracy on CIFAR-10, and 75.5\% top-1 accuracy on ImageNet, exceeding SOTA NAS methods in both the accuracy and sampling efficiency"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- AlphaX: eXploring Neural Architectures with Deep Neural Networks and Monte Carlo Tree Search
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Over dit model
AlphaX-1 werd gepubliceerd door Facebook AI Research,Brown University, in het land geregistreerd als United States of America, tijdens October 2019. Het komt uit een organisatie gecategoriseerd als industry,Academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van neural architecture search for computer vision, Image classification, Object detection, Image captioning.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Training en herkomst
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 8.9 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX 1080 Ti. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Training verbruikte een corpus van ongeveer 61,280,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: sOTA improvement.
Antwoorden
AlphaX-1 — veelgestelde vragen
AlphaX-1— 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.
AlphaX-1— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
AlphaX-1— hoeveel parameters heeft het?
Het heeft een parameter telling van 5.4M. Table 3: multiadds for AlphaX-1 579M, parameters 5.4M. 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.
AlphaX-1— wie heeft het gemaakt?
Het werd gepubliceerd door Facebook AI Research,Brown University, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia.
AlphaX-1— wanneer is het uitgebracht?
Het werd gepubliceerd in October 2019. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
AlphaX-1— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van neural architecture search for computer vision, Image classification, Object detection, Image captioning. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
AlphaX-1— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 8.9 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX 1080 Ti. 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.
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.