ResNet-152 (ImageNet)
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
- Microsoft
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 10 December 2015
- Autorzy
- Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Image classification
- 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
- 60.2M
- Dane treningowe
- 1,280,000 tokens
- Epoki
- 120
- Rozmiar wsadu
- 256
Taken from https://arxiv.org/abs/1605.07146
"We evaluate our method on the ImageNet 2012 classification dataset [36] that consists of 1000 classes. The models are trained on the 1.28 million training images"
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
- 1 × 10¹⁹ FLOP
- Jak to zostało ustalone
- Operation counting,Third-party estimation
11.3 *10^9 mult-adds per forward pass (Table 1) 2 FLOPS/ mult-add 3 for forward & backward pass 1.2 * 10^6 examples in dataset 128 epochs -> 1.041408 × 10^19 FLOP Authors of "AI and Memory Wall" (https://github.com/amirgholami/ai_and_memory_wall) estimated model's training compute as 11,000 PFLOP = 1.1*10^19 FLOP
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- Highly cited
- Zapisz pewność
- Confident
- Cytaty
- 228,517
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Deep Residual Learning for Image Recognition
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Tło
ResNet-152 (ImageNet) został opublikowany przez Microsoft, w kraju zapisanym jako United States of America, podczas December 2015. Wychodzi z organizacji zaklasyfikowanej 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.
Co poszło w budowę tego
Wytworzenie tego wymagało arytmetyki sumującej około 1 × 10¹⁹ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Trening zużył korpus około 1,280,000 Tokeny tekstu.
Jest śledzone w podstawowym zbiorze danych z jednego szczególnego powodu: highly cited.
Odpowiedzi
ResNet-152 (ImageNet) — częste pytania
ResNet-152 (ImageNet)— kiedy to zostało wydane?
Zostało opublikowane w December 2015. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
ResNet-152 (ImageNet)— 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.
ResNet-152 (ImageNet)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 1 × 10¹⁹ FLOP. 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.
ResNet-152 (ImageNet)— 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.
ResNet-152 (ImageNet)— 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.
ResNet-152 (ImageNet)— ile ma parametrów?
Ma liczbę parametrów równą 60.2M. Taken from https://arxiv.org/abs/1605.07146. 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.
ResNet-152 (ImageNet)— kto to stworzył?
Zostało opublikowane przez Microsoft, 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.