Attend-Infer-Repeat
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
- Google DeepMind
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowane
- 12 August 2016
- Autorzy
- SM Ali Eslami, Nicolas Heess, Theophane Weber, Yuval Tassa, David Szepesvari, Geoffrey E Hinton
Co to robi
Obszary problemowe, dla których stworzono model. Model może zawierać kilka z każdej.
- Domena
- Vision
- Zadanie
- Object recognition
Rozmiar
Jakiej wielkości jest model i na ile danych był szkolony. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Parametry
- 82.1M
- Dane treningowe
- tokens
from appendix E: The convolutional neural network uses a 64×(5×5)-64×(5×5)-64×(5×5)-512 architecture.
60000 MNIST images
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
- 6.4 × 10¹⁶ FLOP
- Jak to zostało ustalone
- Hardware
(peak FLOPs for GPU - 1244 GFLOPs) times (training time - 3600 * 48 second) * (0.3 assumed utilization rate)
Trening
Co fizycznie zajęło szkolenie: które chipy, ile ich, na jak długo i ile to pobrało z sieci.
- Sprzęt szkoleniowy
- NVIDIA Quadro K4000
- Wall-clock time
- 48 hours
48 hours for MNIST model, 72 hours for 3D scenes model
Jak jest klasyfikowane
Etykiety stosowane przez źródłowy zbiór danych podczas śledzenia znaczących modeli oraz jak pewny jest w danym wpisie.
- Zaufanie do nagrania
- Confident
- Cytacje
- 581
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Attend, Infer, Repeat: Fast Scene Understanding with Generative Models
- Ostatnia aktualizacja
- 25 May 2026
Co oznaczają liczby
Czym jest ten model
Attend-Infer-Repeat was published by Google DeepMind, in United States of America, in August 2016. The organisation is categorised as industry.
It works in Vision, and is recorded as doing object recognition.
To jest model zamknięty: wytrenowane wartości pozostały u tych, którzy je wyprodukowali, i nie ma lokalnej wersji do uruchomienia.
Training and provenance
Training it took roughly 6.4 × 10¹⁶ FLOP of computation, on NVIDIA Quadro K4000 — a measure of what producing the model cost, not of how fast it answers.
Odpowiedzi
Attend-Infer-Repeat — Często zadawane pytania
How many parameters does Attend-Infer-Repeat have?
Attend-Infer-Repeat has 82.1M parameters. from appendix E: The convolutional neural network uses a 64×(5×5)-64×(5×5)-64×(5×5)-512 architecture. 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 Attend-Infer-Repeat?
Attend-Infer-Repeat został opublikowany przez Google DeepMind, z siedzibą w Stanach Zjednoczonych Ameryki, sklasyfikowany jako przemysł.
When was Attend-Infer-Repeat released?
Attend-Infer-Repeat was published in August 2016. 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 Attend-Infer-Repeat used for?
Attend-Infer-Repeat works in Vision, and is recorded as handling object recognition. These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train Attend-Infer-Repeat?
Around 6.4 × 10¹⁶ FLOP, on NVIDIA Quadro K4000. 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.
What GPU do I need to run Attend-Infer-Repeat?
None. Attend-Infer-Repeat 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 Attend-Infer-Repeat open source?
The licensing for Attend-Infer-Repeat was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
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..