Dropout (ImageNet)
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
- 3 June 2012
- Auteurs
- GE Hinton, N Srivastava, A Krizhevsky
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.
- Training gegevens
- 2,600,000 tokens
In 2010, a subset of 1000 classes with roughly 1000 examples per class was the basis of an object recognition competition...
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
- 2.7 × 10¹⁷ FLOP
- Hoe het werd opgericht
- Hardware
"a single NVIDIA GTX 580 GPU... Training on ImageNet takes roughly four days with dropout and two days without." 1.581 TFLOP/s * 4 day * 86400 s/day * 0.5 utilization
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
- 96 hours
- Rekenkosten
- $8
4 days with dropout; 2 days without dropout
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.
- Grensmodel
- Yes
- Waarom het wordt gevolgd
- Highly cited
- Record vertrouwen
- Confident
- Citaties
- 7,999
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Improving neural networks by preventing co-adaptation of feature detectors
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
Dropout (ImageNet) werd gepubliceerd door University of Toronto, in het land geregistreerd als Canada, tijdens June 2012. De publicerende organisatie is geclassificeerd als 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 2.7 × 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.
De trainingsset liep naar ongeveer 2,600,000 tekstokens
De inclusiecriteria: highly cited.
Antwoorden
Dropout (ImageNet) — veelgestelde vragen
Dropout (ImageNet)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.7 × 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.
Dropout (ImageNet)— 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.
Dropout (ImageNet)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Dropout (ImageNet)— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
Dropout (ImageNet)— wie heeft het gemaakt?
Het werd gepubliceerd door University of Toronto, gebaseerd op Canada, een organisatie geclassificeerd als academia.
Dropout (ImageNet)— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2012. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Dropout (ImageNet)— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van image classification. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
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.