AlphaX-1
Brak szacunków
Brak wymagań sprzętowych dla tego modelu
Wagi tego modelu nie zostały opublikowane, dlatego nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny wyłącznie poprzez jego dostawcę, a żadna karta graficzna tego nie zmieni.
Na nagraniu
Pełna specyfikacja
Wszystko, co jest dostępne na temat tego modelu. Większość z tego opisuje, jak został wytrenowany, a nie jak działa — przydatny kontekst do oceny, ile pracy w to włożono i jak wypada na tle modeli zbudowanych na innym poziomie skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Facebook AI Research,Brown University
- Typ organizacji
- Industry,Academia
- Kraj
- United States of America, France
- Opublikowane
- 2 October 2019
- Autorzy
- Linnan Wang, Yiyang Zhao, Yuu Jinnai, Yuandong Tian, Rodrigo Fonseca1
Co to robi
Obszary problemowe, dla których stworzono model. Model może zawierać kilka z każdej.
- Domena
- Vision
- Zadanie
- Neural architecture search for computer vision, Image classification, Object detection, Image captioning
Rozmiar
Jakiej wielkości jest model i na ile danych był szkolony. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Parametry
- 5.4M
- Dane treningowe
- 61,280,000 tokens
Table 3: multiadds for AlphaX-1 579M, parameters 5.4M
Standard image net training size, not otherwise specified
Obliczenia szkoleniowe
Aritmetyka wykonywana w celu wytrenowania modelu, mierzone w operacjach zmiennoprzecinkowych. Jest to miara kosztu przeprowadzonego treningu, a nie tego, jak szybko gotowy model odpowiada na twoje zapytania.
- Obliczenia szkoleniowe
- 8.9 × 10¹⁷ FLOP
" Our models for ImageNet use polynomial learning rate schedule, starting with 0.05 and decay through 200 epochs." 1280000 images * 200 epochs *3 forward-backward adjustment * 1158000000 forward FLOP =889344000000000000
Trening
Co fizycznie zajęło szkolenie: które chipy, ile ich, na jak długo i ile to pobrało z sieci.
- Sprzęt szkoleniowy
- NVIDIA GeForce GTX 1080 Ti
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim własnym sprzęcie, co decyduje, czy jakiekolwiek z danych dotyczących karty graficznej na tej stronie mają zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
- Kod treningowy
- Open (non-commercial)
code, no license specified: https://github.com/linnanwang/AlphaX-NASBench101 training: https://github.com/linnanwang/AlphaX-NASBench101/blob/master/net_training.py
Jak jest klasyfikowane
Etykiety stosowane przez źródłowy zbiór danych podczas śledzenia znaczących modeli oraz jak pewny jest w danym wpisie.
- Dlaczego jest śledzone
- SOTA improvement
- Zaufanie do nagrania
- Confident
- Cytacje
- 100
"In 12 GPU days and 1000 samples, AlphaX found an architecture that reaches 97.84\% top-1 accuracy on CIFAR-10, and 75.5\% top-1 accuracy on ImageNet, exceeding SOTA NAS methods in both the accuracy and sampling efficiency"
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- AlphaX: eXploring Neural Architectures with Deep Neural Networks and Monte Carlo Tree Search
- Ostatnia aktualizacja
- 25 May 2026
Co oznaczają liczby
O tym modelu
AlphaX-1 was published by Facebook AI Research,Brown University, in United States of America, in October 2019. It comes out of industry,Academia.
It works in Vision, and is recorded as doing neural architecture search for computer vision, Image classification, Object detection, Image captioning.
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Training and provenance
Producing it required around 8.9 × 10¹⁷ FLOP of arithmetic, on NVIDIA GeForce GTX 1080 Ti, which is a statement about the training budget rather than about inference.
Around 61,280,000 tokens went into training it.
It is tracked in the underlying dataset for one reason in particular: sOTA improvement.
Odpowiedzi
AlphaX-1 — Często zadawane pytania
What GPU do I need to run AlphaX-1?
None. AlphaX-1 is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is AlphaX-1 open source?
No. AlphaX-1 has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does AlphaX-1 have?
AlphaX-1 has 5.4M parameters. Table 3: multiadds for AlphaX-1 579M, parameters 5.4M. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created AlphaX-1?
AlphaX-1 was published by Facebook AI Research,Brown University, based in United States of America, categorised as industry,Academia.
When was AlphaX-1 released?
AlphaX-1 was published in October 2019. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is AlphaX-1 used for?
AlphaX-1 works in Vision, and is recorded as handling neural architecture search for computer vision, Image classification, Object detection, Image captioning. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train AlphaX-1?
Around 8.9 × 10¹⁷ FLOP, on NVIDIA GeForce GTX 1080 Ti. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
W innym kierunku
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, wszystko co będzie ona obsługiwać, Rozpocznij od sprzętu..