AmoebaNet-A (F=448)
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 Brain
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 5 February 2018
- Auteurs
- Esteban Real, Alok Aggarwal, Yanping Huang, Quoc V Le
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Image classification
- Numerieke indeling
- FP32
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
- 469M
- Training gegevens
- 1,150,000 tokens
Table 2
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
- 3.9 × 10²⁰ FLOP
- Hoe het werd opgericht
- Hardware
450 K40 GPUs for 20k models (approx. 7 days). (From Imagenet paper-data, Besiroglu et al., forthcoming)
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA Tesla K40s
- Gebruikte chips
- 450
- Chip-uren
- 75,600
- Kloktijd
- 168 hours (7 days)
- Stroomverbruik
- 229.2 kW
- Rekenkosten
- $11,766
"Each experiment ran on 450 K40 GPUs for 20k models (approx. 7 days)."
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
has code, but looks like just a toy model: https://colab.research.google.com/github/google-research/google-research/blob/master/evolution/regularized_evolution_algorithm/regularized_evolution.ipynb
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
- 3,322
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Regularized Evolution for Image Classifier Architecture Search
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
AmoebaNet-A (F=448) werd gepubliceerd door Google Brain, in het land geregistreerd als United States of America, tijdens February 2018. De publicerende organisatie is geclassificeerd als industry.
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
Training kostte een rekensbudget van ongeveer 3.9 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA Tesla K40s. 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 1,150,000 tekstokens
Antwoorden
AmoebaNet-A (F=448) — veelgestelde vragen
AmoebaNet-A (F=448)— wie heeft het gemaakt?
Het werd gepubliceerd door Google Brain, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
AmoebaNet-A (F=448)— wanneer is het uitgebracht?
Het werd gepubliceerd in February 2018. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
AmoebaNet-A (F=448)— 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.
AmoebaNet-A (F=448)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.9 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA Tesla K40s. 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.
AmoebaNet-A (F=448)— 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.
AmoebaNet-A (F=448)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
AmoebaNet-A (F=448)— hoeveel parameters heeft het?
Het heeft een parameter telling van 469M. Table 2. 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.