AlexNet
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 Toronto
- Organisatietype
- Academia
- Land
- Canada
- Gepubliceerd
- 30 September 2012
- Auteurs
- Alex Krizhevsky, Ilya Sutskever, Geoffrey Hinton
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
- 60M
- Training gegevens
- 2,457,600,000 tokens
"Our neural network architecture has 60 million parameters."
"ImageNet is a dataset of over 15 million labeled high-resolution images belonging to roughly 22,000 categories. The images were collected from the web and labeled by human labelers using Amazon’s Mechanical Turk crowd-sourcing tool. Starting in 2010, as part of the Pascal Visual Object Challenge, an annual competition called the ImageNet Large-Scale Visual Recognition Challenge (ILSVRC) has been held. ILSVRC uses a subset of ImageNet with roughly 1000 images in each of 1000 categories. In all, …
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
- 4.7 × 10¹⁷ FLOP
- Hoe het werd opgericht
- Operation counting,Hardware,Third-party estimation
1.2M images * 90 epochs * 0.75 GFLOP * (2 add-multiply) * (3 backward pass) = 470 PF = 0.0054 pfs-days Source: https://openai.com/blog/ai-and-compute/ Hardware method: 2 GTX 580 3GB GPUs for "between five and six days". Assuming 5.5 days and 32-bit training: 1.581 TFLOPS * 5.5 days * 2 = 1.5e18 FLOP Comparing to the operation counting method, this implies around 31% MFU. Authors of "AI and Memory Wall" (https://github.com/amirgholami/ai_and_memory_wall) estimated model's training compute as …
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 580
- Kloktijd
- 132 hours
- Hardwaregebruik
- MFU 31.3%
- Rekenkosten
- $16
"Our network takes between five and six days to train on two GTX 580 3GB GPUs."
Operation counting approach for compute estimate implies 470 PFLOP. Their hardware, 2 GTX 580 GPUs, would perform 1500 PFLOPs if operating in 32-bit for 5.5 days. This implies a model FLOP utilization rate of 31.3%. MFU = 470 PFLOP / 1500 PFLOP = 0.3133
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,Historical significance
- Record vertrouwen
- Confident
- Citaties
- 125,497
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- ImageNet Classification with Deep Convolutional Neural Networks
- Laatst bijgewerkt
- 1 January 2026
Wat de cijfers betekenen
Achtergrond
AlexNet werd gepubliceerd door University of Toronto, in het land geregistreerd als Canada, tijdens September 2012. 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.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Training en herkomst
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 4.7 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX 580. 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 2,457,600,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: highly cited,Historical significance.
Antwoorden
AlexNet — veelgestelde vragen
AlexNet— wie heeft het gemaakt?
Het werd gepubliceerd door University of Toronto, gebaseerd op Canada, een organisatie geclassificeerd als academia.
AlexNet— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2012. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
AlexNet— 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.
AlexNet— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 4.7 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX 580. 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.
AlexNet— 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.
AlexNet— 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.
AlexNet— hoeveel parameters heeft het?
Het heeft een parameter telling van 60M. "Our neural network architecture has 60 million parameters.". 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.