GoogLeNet / InceptionV1
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,University of Michigan,University of North Carolina
- Organisatietype
- Industry,Academia,Academia
- Land
- United States of America
- Gepubliceerd
- 17 September 2014
- Auteurs
- Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich
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
- 6.8M
- Training gegevens
- 571,392,000,000 tokens
- Epochs
- 827
Computed summing the parameters on table 1 of section 5
"The ILSVRC 2014 classification challenge involves the task of classifying the image into one of 1000 leaf-node categories in the Imagenet hierarchy. There are about 1.2 million images for training, 50,000 for validation and 100,000 images for testing" ... "We participated in the challenge with no external data used for training."
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
- 1.5 × 10¹⁸ FLOP
- Hoe het werd opgericht
- Third-party estimation
AI and Compute (https://openai.com/blog/ai-and-compute/) charts imply a value of 1.51e18 (value extracted using WebPlotDigitizer https://automeris.io/WebPlotDigitizer/ ). Based on the paper, there are 1.5B multiply-adds per inference, and 1.2M images in the training set, but an unknown number of epochs. They decrease the learning rate by 4% every 8 epochs, so there are likely many. If the figure from AI and Compute is taken as true, there were likely 140 epochs
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
- 47,229
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Going deeper with convolutions
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Over dit model
GoogLeNet / InceptionV1 werd gepubliceerd door Google,University of Michigan,University of North Carolina, in het land geregistreerd als United States of America, tijdens September 2014. De publicerende organisatie is geclassificeerd als industry,Academia,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.
Wat erin ging zitten om het te bouwen
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 1.5 × 10¹⁸ 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 571,392,000,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: highly cited.
Antwoorden
GoogLeNet / InceptionV1 — veelgestelde vragen
GoogLeNet / InceptionV1— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.5 × 10¹⁸ 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.
GoogLeNet / InceptionV1— 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.
GoogLeNet / InceptionV1— 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.
GoogLeNet / InceptionV1— hoeveel parameters heeft het?
Het heeft een parameter telling van 6.8M. Computed summing the parameters on table 1 of section 5. 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.
GoogLeNet / InceptionV1— wie heeft het gemaakt?
Het werd gepubliceerd door Google,University of Michigan,University of North Carolina, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia,Academia.
GoogLeNet / InceptionV1— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2014. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
GoogLeNet / InceptionV1— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van image classification. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
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.