JFT
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Google Research,Carnegie Mellon University (CMU)
- Typ organizacji
- Industry,Academia
- Kraj
- United States of America
- Opublikowany
- 10 July 2017
- Autorzy
- Chen Sun, Abhinav Shrivastava, Saurabh Singh, Abhinav Gupta
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Image classification, Object detection, Semantic segmentation, Pose estimation
- Format numeryczny
- FP32
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 44.7M
- Dane treningowe
- 5,487,300,000,000 tokens
- Epoki
- 4
- Rozmiar wsadu
- 32
Uses ResNet-101 architecture, which has 44,654,504 parameters: https://resources.wolframcloud.com/NeuralNetRepository/resources/ResNet-101-Trained-on-ImageNet-Competition-Data/
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 8.4 × 10²⁰ FLOP
- Jak to zostało ustalone
- Hardware
Tesla K80 performance: 8.13 TFLOP/s Assume 40% utilization 60 days * 50 GPUs * 40% utilization * 8.13 TFLOP/s/GPU = 8.43*10^20 FLOP
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA Tesla K80
- Zastosowane chipy
- 50
- Czas-chip
- 72,000
- Czas rzeczywisty
- 1,440 hours (60 days)
- Pobór mocy
- 31.3 kW
- Koszt obliczeniowy
- $17,911
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Model Frontier
- Yes
- Dlaczego to jest śledzone
- SOTA improvement
- Zapisz pewność
- Confident
- Cytaty
- 2,712
SOTA on COCO and PASCAL VOC
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Revisiting Unreasonable Effectiveness of Data in Deep Learning Era.
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Skąd to pochodzi
JFT został opublikowany przez Google Research,Carnegie Mellon University (CMU), w kraju zapisanym jako United States of America, podczas July 2017. Organizacja publikująca jest klasyfikowana jako industry,Academia.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie image classification, Object detection, Semantic segmentation, Pose estimation.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Jak to zostało wytrenowane
Trening zajmował około 8.4 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Tesla K80. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 5,487,300,000,000 Tokeny tekstu.
Kryterium włączenia: sOTA improvement.
Odpowiedzi
JFT — częste pytania
JFT— ile ma parametrów?
Ma liczbę parametrów równą 44.7M. Uses ResNet-101 architecture, which has 44,654,504 parameters: https://resources.wolframcloud.com/NeuralNetRepository/resources/ResNet-101-Trained-on-ImageNet-Competition-Data/. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
JFT— kto to stworzył?
Zostało opublikowane przez Google Research,Carnegie Mellon University (CMU), oparty na United States of America, organizacja sklasyfikowana jako industry,Academia.
JFT— kiedy to zostało wydane?
Zostało opublikowane w July 2017. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
JFT— do czego to służy?
Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie image classification, Object detection, Semantic segmentation, Pose estimation. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
JFT— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 8.4 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Tesla K80. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
JFT— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
JFT— czy jest open weight?
Licencja nigdy nie została zarejestrowana w naszych danych źródłowych. Traktujemy niewskazaną licencję jako zamkniętą, ponieważ niezarejestrowana licencja nie jest na którą można polegać.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.