Visualizing CNNs
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
- New York University (NYU)
- Typ organizacji
- Academia
- Kraj
- United States of America
- Opublikowany
- 12 November 2013
- Autorzy
- MD Zeiler, R Fergus
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.
- Dane treningowe
- 7,680,000 tokens
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
- 5.3 × 10¹⁷ FLOP
- Jak to zostało ustalone
- Hardware,Third-party estimation
1 GPU * 12 days * 1.54 TFLOPS/GTX 580 * 0.33 utilization = 532 PF = 0.0062 pfs-days Source: https://openai.com/blog/ai-and-compute "We stopped training after 70 epochs, which took around 12 days on a single GTX580 GPU"
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA GeForce GTX 580
- Koszt obliczeniowy
- $13
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
- 17,026
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Visualizing and Understanding Convolutional Networks
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Tło
Visualizing CNNs został opublikowany przez New York University (NYU), w kraju zapisanym jako United States of America, podczas November 2013. Kategoria, do której należy wydawca, to academia.
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
Wytworzenie tego wymagało arytmetyki sumującej około 5.3 × 10¹⁷ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce GTX 580. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Trening zużył korpus około 7,680,000 Tokeny tekstu.
Jest śledzone w podstawowym zbiorze danych z jednego szczególnego powodu: highly cited.
Odpowiedzi
Visualizing CNNs — częste pytania
Visualizing CNNs— 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.
Visualizing CNNs— 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.
Visualizing CNNs— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
Visualizing CNNs— kto to stworzył?
Zostało opublikowane przez New York University (NYU), oparty na United States of America, organizacja sklasyfikowana jako academia.
Visualizing CNNs— kiedy to zostało wydane?
Zostało opublikowane w November 2013. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Visualizing CNNs— do czego to służy?
Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie image classification. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
Visualizing CNNs— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 5.3 × 10¹⁷ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce GTX 580. 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.
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.