MSRA (C, PReLU)
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
- Microsoft Research
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 6 February 2015
- Auteurs
- Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
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
- 87M
- Training gegevens
- 1,280,000 tokens
I used the architecture in table 3 I ignored biases, and assumed a SPP bin size of 256 3*7*7*96+96*3*3*384+384*3*3*384*5+384*3*3*768+768*3*3*768*5+768*3*3*896+896*3*3*896*5+896*(7*7+3*3+2*2+1)*4096+4096*4096+4096*1000=330581792
"We perform the experiments on the 1000-class ImageNet 2012 dataset", paper; ImageNet 2012 train set size from https://huggingface.co/datasets/imagenet-1k
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
- 2.4 × 10¹⁹ FLOP
- Hoe het werd opgericht
- Hardware
"training C on eight K40 GPUs, takes about 3-4 weeks" 0.33 util rate (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 K40t
- Kloktijd
- 588 hours (24.5 days)
- Rekenkosten
- $1,394
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
- 20,475
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
MSRA (C, PReLU) werd gepubliceerd door Microsoft Research, in het land geregistreerd als United States of America, tijdens February 2015. Het komt uit een organisatie gecategoriseerd als industry.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van image classification.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Training en herkomst
De training run verbruikte ongeveer 2.4 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA Tesla K40t. 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 1,280,000 tekstokens
De inclusiecriteria: highly cited.
Antwoorden
MSRA (C, PReLU) — veelgestelde vragen
MSRA (C, PReLU)— wie heeft het gemaakt?
Het werd gepubliceerd door Microsoft Research, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
MSRA (C, PReLU)— wanneer is het uitgebracht?
Het werd gepubliceerd in February 2015. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
MSRA (C, PReLU)— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van image classification. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
MSRA (C, PReLU)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.4 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA Tesla K40t. 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.
MSRA (C, PReLU)— 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.
MSRA (C, PReLU)— 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.
MSRA (C, PReLU)— hoeveel parameters heeft het?
Het heeft een parameter telling van 87M. I used the architecture in table 3 I ignored biases, and assumed a SPP bin size of 256 3*7*7*96+96*3*3*384+384*3*3*384*5+384*3*3*768+768*3*3*768*5+768*3*3*896+896*3*3*896*5+896*(7*7+3*3+2*2+1)*4096+4096*4096+4096*1000=330581792. 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.