Unsupervised High-level Feature Learner
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
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 12 July 2012
- Auteurs
- Quoc V. Le, Marc'Aurelio Ranzato, Rajat Monga, Matthieu Devin, Kai Chen, Greg S. Corrado, Jeff Dean, Andrew Y. Ng
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Image classification
- Aanpak
- Unsupervised
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
- 1B
- Training gegevens
- 1,200,000,000,000 tokens
"To answer this, we train a 9-layered locally connected sparse autoencoder with pooling and local contrast normalization on a large dataset of images (the model has 1 billion connections, the dataset has 10 million 200x200 pixel images downloaded from the Internet)"
10 million 200x200 images extracted from Youtube videos
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 × 10¹⁷ FLOP
- Hoe het werd opgericht
- Operation counting
Assuming 1 epoch, 10 million images and 1 billion parameters, 6*N*D = 6*10^17 FLOP
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Kloktijd
- 72 hours
- Rekenkosten
- $16
"We train this network using model parallelism and asynchronous SGD on a cluster with 1,000 machines (16,000 cores) for three days. "
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,SOTA improvement
- Record vertrouwen
- Likely
- Citaties
- 2,909
"we trained our network to obtain 15.8% accuracy in recognizing 20,000 object categories from ImageNet, a leap of 70% relative improvement over the previous state-of-the-art"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Building High-level Features Using Large Scale Unsupervised Learning
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
Unsupervised High-level Feature Learner werd gepubliceerd door Google, in het land geregistreerd als United States of America, tijdens July 2012. De categorie waaronder de uitgever valt is 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
Training kostte een rekensbudget van ongeveer 6 × 10¹⁷ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
De trainingsset liep naar ongeveer 1,200,000,000,000 tekstokens
De inclusiecriteria: highly cited,SOTA improvement.
Antwoorden
Unsupervised High-level Feature Learner — veelgestelde vragen
Unsupervised High-level Feature Learner— 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.
Unsupervised High-level Feature Learner— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 6 × 10¹⁷ 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.
Unsupervised High-level Feature Learner— 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.
Unsupervised High-level Feature Learner— 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.
Unsupervised High-level Feature Learner— hoeveel parameters heeft het?
Het heeft een parameter telling van 1B. "To answer this, we train a 9-layered locally connected sparse autoencoder with pooling and local contrast normalization on a large dataset of images (the model has 1 billion connections, the dataset has 10 million 200x200 pixel images downloaded from the Internet)". 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.
Unsupervised High-level Feature Learner— wie heeft het gemaakt?
Het werd gepubliceerd door Google, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
Unsupervised High-level Feature Learner— wanneer is het uitgebracht?
Het werd gepubliceerd in July 2012. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
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.