Xception
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
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 7 October 2016
- Autorzy
- François Chollet
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Image classification
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 22.9M
- Dane treningowe
- 350,000,000 tokens
Table 3
"JFT is an internal Google dataset for large-scale image classification dataset, first introduced by Hinton et al. in [5], which comprises over 350 million high-resolution images annotated with labels from a set of 17,000 classes. To evaluate the performance of a model trained on JFT, we use an auxiliary dataset, FastEval14k"
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
- 4.4 × 10²⁰ FLOP
- Jak to zostało ustalone
- Hardware,Third-party estimation
60 K80 GPUs * 30 days * 8.5 TFLOPS/GPU * 0.33 utilization = 4.36e20 Authors of "AI and Memory Wall" (https://github.com/amirgholami/ai_and_memory_wall) estimated model's training compute as 450,000 PFLOP = 4.5*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
- 60
- Czas-chip
- 43,200
- Czas rzeczywisty
- 720 hours (30 days)
- Pobór mocy
- 37.8 kW
- Koszt obliczeniowy
- $13,109
"while the JFT experiments took over one month each."
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
- Highly cited
- Zapisz pewność
- Confident
- Cytaty
- 17,674
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Xception: Deep Learning with Depthwise Separable Convolutions
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Co to jest model?
Xception został opublikowany przez Google, w kraju zapisanym jako United States of America, podczas October 2016. Organizacja publikująca jest klasyfikowana jako industry.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie image classification.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Szkolenie i pochodzenie
Trenowanie zajęło budżet obliczeniowy wynoszący około 4.4 × 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.
Trening zużył korpus około 350,000,000 Tokeny tekstu.
Powód, dla którego w ogóle pojawia się w tym katalogu: highly cited.
Odpowiedzi
Xception — częste pytania
Xception— kiedy to zostało wydane?
Zostało opublikowane w October 2016. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Xception— do czego to służy?
Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie image classification. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
Xception— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 4.4 × 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.
Xception— 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.
Xception— 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.
Xception— ile ma parametrów?
Ma liczbę parametrów równą 22.9M. Table 3. 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.
Xception— kto to stworzył?
Zostało opublikowane przez Google, oparty na United States of America, organizacja sklasyfikowana jako industry.
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.