Xception
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
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 7 October 2016
- Auteurs
- François Chollet
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
- 22.9M
- Training gegevens
- 350,000,000 tokens
Table 3
"JFT is an internal Google dataset for large-scale image classification dataset, first introduced by Hinton et al. in [5], which comprises over 350 million high-resolution images annotated with labels from a set of 17,000 classes. To evaluate the performance of a model trained on JFT, we use an auxiliary dataset, FastEval14k"
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
- 4.4 × 10²⁰ FLOP
- Hoe het werd opgericht
- Hardware,Third-party estimation
60 K80 GPUs * 30 days * 8.5 TFLOPS/GPU * 0.33 utilization = 4.36e20 Authors of "AI and Memory Wall" (https://github.com/amirgholami/ai_and_memory_wall) estimated model's training compute as 450,000 PFLOP = 4.5*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
- 60
- Chip-uren
- 43,200
- Kloktijd
- 720 hours (30 days)
- Stroomverbruik
- 37.8 kW
- Rekenkosten
- $13,109
"while the JFT experiments took over one month each."
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
- Highly cited
- Record vertrouwen
- Confident
- Citaties
- 17,674
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Xception: Deep Learning with Depthwise Separable Convolutions
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
Xception werd gepubliceerd door Google, in het land geregistreerd als United States of America, tijdens October 2016. 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.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Training en herkomst
Training kostte een rekensbudget van ongeveer 4.4 × 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.
Training verbruikte een corpus van ongeveer 350,000,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: highly cited.
Antwoorden
Xception — veelgestelde vragen
Xception— wanneer is het uitgebracht?
Het werd gepubliceerd in October 2016. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Xception— 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.
Xception— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 4.4 × 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.
Xception— 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.
Xception— 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.
Xception— hoeveel parameters heeft het?
Het heeft een parameter telling van 22.9M. Table 3. 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.
Xception— wie heeft het gemaakt?
Het werd gepubliceerd door Google, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
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.