ADAM (CIFAR-10)
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
- University of Amsterdam,OpenAI,University of Toronto
- Organisatietype
- Academia,Industry,Academia
- Land
- Netherlands, United States of America, Canada
- Gepubliceerd
- 22 December 2014
- Auteurs
- Diederik P. Kingma, Jimmy Ba
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
- 2.4M
- Training gegevens
- 50,000 tokens
CIFAR-10 with c64-c64-c128-1000 architecture "Our CNN architecture has three alternating stages of 5x5 convolution filters and 3x3 max pooling with stride of 2 that are followed by a fully connected layer of 1000 rectified linear hidden units (ReLU’s). " "Training cost over 45 epochs. CIFAR-10 with c64-c64-c128-1000 architecture." CIFAR-10's input dimension is 32x32x3 Parameter: 3*64*5*5+64*64*5*5+64*128*5*5+128*4*4*1000+1000*10=2370000
Assumed they used the standard CIFAR-10 training split
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
- 6.2 × 10¹⁴ FLOP
- Hoe het werd opgericht
- Third-party estimation,Operation counting
From https://openai.com/blog/ai-and-compute/ Appendix less than 0.0007 pfs-days (86400*10^15*0.0007) Manual estimate: 3 (forward-backward adjustment) * 92589600 flop per forward pass * 50000 examples * 45 epochs = 624979800000000 (6.25e14)
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
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
- Highly cited
- Record vertrouwen
- Confident
- Citaties
- 166,267
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Adam: A Method for Stochastic Optimization
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Waar het vandaan kwam
ADAM (CIFAR-10) werd gepubliceerd door University of Amsterdam,OpenAI,University of Toronto, in het land geregistreerd als Netherlands, tijdens December 2014. De publicerende organisatie is geclassificeerd als academia,Industry,Academia.
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
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 6.2 × 10¹⁴ FLOP. 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 50,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: highly cited.
Antwoorden
ADAM (CIFAR-10) — veelgestelde vragen
ADAM (CIFAR-10)— 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.
ADAM (CIFAR-10)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
ADAM (CIFAR-10)— hoeveel parameters heeft het?
Het heeft een parameter telling van 2.4M. CIFAR-10 with c64-c64-c128-1000 architecture "Our CNN architecture has three alternating stages of 5x5 convolution filters and 3x3 max pooling with stride of 2 that are followed by a fully connected layer of 1000 rectified linear hidden units (ReLU’s). " "Training cost over 45 epochs. CIFAR-10 with c64-c64-c128-1000 architecture." CIFAR-10's input dimension is 32x32x3 Parameter: 3*64*5*5+64*64*5*5+64*128*5*5+128*4*4*1000+1000*10=2370000. 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.
ADAM (CIFAR-10)— wie heeft het gemaakt?
Het werd gepubliceerd door University of Amsterdam,OpenAI,University of Toronto, gebaseerd op Netherlands, een organisatie geclassificeerd als academia,Industry,Academia.
ADAM (CIFAR-10)— wanneer is het uitgebracht?
Het werd gepubliceerd in December 2014. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
ADAM (CIFAR-10)— 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.
ADAM (CIFAR-10)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 6.2 × 10¹⁴ FLOP. 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.