VGG16
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 Oxford
- Organisatietype
- Academia
- Land
- United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 4 September 2014
- Auteurs
- Karen Simonyan; Andrew Zisserman
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
- 138M
- Training gegevens
- 1,300,000 tokens
- Epochs
- 74
- Batchgrootte
- 256
Source: Table 2 https://arxiv.org/abs/1409.1556
"In this section, we present the image classification results achieved by the described ConvNet architectures on the ILSVRC-2012 dataset (which was used for ILSVRC 2012–2014 challenges). The dataset includes images of 1000 classes, and is split into three sets: training (1.3M images), validation (50K images), and testing (100K images with held-out class labels)." This is confirmed by section 3.1 Training: "The batch size was set to 256" "In total, the learning rate was decreased 3 times, and th…
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
- 1.2 × 10¹⁹ FLOP
- Hoe het werd opgericht
- Hardware
3 weeks * 4 Titan Black GPUs * 0.30 utilization Section 3.3: "On a system equipped with four NVIDIA Titan Black GPUs, training a single net took 2–3 weeks depending on the architecture." Titan Black performance: 5.645 TFLOPS (assuming FP32) https://www.wolframalpha.com/input?i=5.645+TFLOPS+*+3+weeks+*+4+*+0.3
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA GeForce GTX Titan Black
- Gebruikte chips
- 4
- Kloktijd
- 504 hours (21 days)
- Stroomverbruik
- 2.1 kW
- Rekenkosten
- $239
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
- 111,439
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Very Deep Convolutional Networks for Large-Scale Image Recognition
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Achtergrond
VGG16 werd gepubliceerd door University of Oxford, in het land geregistreerd als United Kingdom of Great Britain and Northern Ireland, tijdens September 2014. De categorie waaronder de uitgever valt is academia.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van image classification.
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.
Training en herkomst
Training kostte een rekensbudget van ongeveer 1.2 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX Titan Black. 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 1,300,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: highly cited.
Antwoorden
VGG16 — veelgestelde vragen
VGG16— 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.
VGG16— hoeveel parameters heeft het?
Het heeft een parameter telling van 138M. Source: Table 2 https://arxiv.org/abs/1409.1556. 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.
VGG16— wie heeft het gemaakt?
Het werd gepubliceerd door University of Oxford, gebaseerd op United Kingdom of Great Britain and Northern Ireland, een organisatie geclassificeerd als academia.
VGG16— 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.
VGG16— 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.
VGG16— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.2 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX Titan Black. 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.
VGG16— 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.
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.