JFT
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 Research,Carnegie Mellon University (CMU)
- Organisatietype
- Industry,Academia
- Land
- United States of America
- Gepubliceerd
- 10 July 2017
- Auteurs
- Chen Sun, Abhinav Shrivastava, Saurabh Singh, Abhinav Gupta
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Image classification, Object detection, Semantic segmentation, Pose estimation
- 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
- 44.7M
- Training gegevens
- 5,487,300,000,000 tokens
- Epochs
- 4
- Batchgrootte
- 32
Uses ResNet-101 architecture, which has 44,654,504 parameters: https://resources.wolframcloud.com/NeuralNetRepository/resources/ResNet-101-Trained-on-ImageNet-Competition-Data/
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
- 8.4 × 10²⁰ FLOP
- Hoe het werd opgericht
- Hardware
Tesla K80 performance: 8.13 TFLOP/s Assume 40% utilization 60 days * 50 GPUs * 40% utilization * 8.13 TFLOP/s/GPU = 8.43*10^20 FLOP
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 K80
- Gebruikte chips
- 50
- Chip-uren
- 72,000
- Kloktijd
- 1,440 hours (60 days)
- Stroomverbruik
- 31.3 kW
- Rekenkosten
- $17,911
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.
- Grensmodel
- Yes
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Confident
- Citaties
- 2,712
SOTA on COCO and PASCAL VOC
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Revisiting Unreasonable Effectiveness of Data in Deep Learning Era.
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Waar het vandaan kwam
JFT werd gepubliceerd door Google Research,Carnegie Mellon University (CMU), in het land geregistreerd als United States of America, tijdens July 2017. De publicerende organisatie is geclassificeerd als industry,Academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van image classification, Object detection, Semantic segmentation, Pose estimation.
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.
Hoe het getraind werd
De training run verbruikte ongeveer 8.4 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA Tesla K80. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het is getraind op een corpus van ongeveer 5,487,300,000,000 tekstokens
De inclusiecriteria: sOTA improvement.
Antwoorden
JFT — veelgestelde vragen
JFT— hoeveel parameters heeft het?
Het heeft een parameter telling van 44.7M. Uses ResNet-101 architecture, which has 44,654,504 parameters: https://resources.wolframcloud.com/NeuralNetRepository/resources/ResNet-101-Trained-on-ImageNet-Competition-Data/. 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.
JFT— wie heeft het gemaakt?
Het werd gepubliceerd door Google Research,Carnegie Mellon University (CMU), gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia.
JFT— wanneer is het uitgebracht?
Het werd gepubliceerd in July 2017. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
JFT— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van image classification, Object detection, Semantic segmentation, Pose estimation. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
JFT— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 8.4 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA Tesla K80. 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.
JFT— 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.
JFT— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
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.