MosaicML Diffusion
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- Databricks
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 28 April 2023
- Autoři
- Mihir Patel, Erica Ji Yuen, Cory Stephenson, Landan Seguin
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Image generation
- Úkol
- Image generation, Text-to-image
- Přístup
- Self-supervised learning
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 1.3B
- Výcviková data
- 790,000,000 tokens
- Epochy
- 1.38
Manually loaded model with following code snippet: from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler import torch repo_id = "stabilityai/stable-diffusion-2" pipe = DiffusionPipeline.from_pretrained(repo_id, torch_dtype=torch.float16, revision="fp16") n_params_vae = sum(p.numel() for p in pipe.components['vae'].parameters()) n_params_text_encoder = sum(p.numel() for p in pipe.components['text_encoder'].parameters()) n_params_unet = sum(p.numel() for p in pipe.components['une…
For the first phase of training, we used all images with resolution >=256x256, amounting to 790 million image-caption samples. For the second phase of training, we only used images with resolution >=512x512, amounting to 300 million image-caption samples. Note that second phase data is a strict subset of first stage.
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 1.1 × 10²² FLOP
- Jak bylo ustanoveno
- Hardware
23,835 A100-hours * 3.12e14 FLOP/GPU-sec * 3600 sec/hour * 0.4 (assumed utilization) = 1.07e22 "Both phases of training ran on 128 NVIDIA A100 GPUs. The first training phase was run for 550k iterations in 1.6 days while the second phase was run for 850k iterations in 4.9 days, for a total of 20,051 A100 hours for training. In addition to the training time, we pre-computed the latents for the VAE and CLIP model to reduce training time and cost when making multiple passes over the dataset. Pre-co…
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA A100
- Používané čipy
- 128
- Doba reálného času
- 186 hours (7.8 days)
- Příkon
- 102.0 kW
"Both phases of training ran on 128 NVIDIA A100 GPUs. The first training phase was run for 550k iterations in 1.6 days while the second phase was run for 850k iterations in 4.9 days, for a total of 20,051 A100 hours for training. In addition to the training time, we pre-computed the latents for the VAE and CLIP model to reduce training time and cost when making multiple passes over the dataset. Pre-computing the latents required an additional 3,784 A100 hours, resulting in 23,835 A100 hours in t…
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Closed — provider access only
- Přístup k modelu
- Unreleased
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Confident
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Training Stable Diffusion from Scratch for <$50k with MosaicML
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
O tomto modelu
MosaicML Diffusion byl zveřejněn Databricks, v zemi zaznamenané jako United States of America, během April 2023. Vydavatelská organizace je kategorizována jako industry.
funguje v oblasti Image generation, a je zaznamenán jako vykonávající úkol image generation, Text-to-image.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Co bylo zapotřebí k jeho vybudování
Trénování si vyžádalo výpočetní rozpočet přibližně 1.1 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA A100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Tréninková sada běžela na přibližně 790,000,000 tokeny textu
Odpovědi
MosaicML Diffusion — běžné otázky
MosaicML Diffusion— Kdy byl vydán?
Bylo to zveřejněno v April 2023. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
MosaicML Diffusion— K čemu se to používá?
funguje v oblasti Image generation, a je zaznamenáno jako zpracovávající úkol image generation, Text-to-image. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
MosaicML Diffusion— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1.1 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA A100. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
MosaicML Diffusion— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
MosaicML Diffusion— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
MosaicML Diffusion— kolik má parametrů?
Má počet parametrů 1.3B. Manually loaded model with following code snippet: from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler import torch repo_id = "stabilityai/stable-diffusion-2" pipe = DiffusionPipeline.from_pretrained(repo_id, torch_dtype=torch.float16, revision="fp16") n_params_vae = sum(p.numel() for p in pipe.components['vae'].parameters()) n_params_text_encoder = sum(p.numel() for p in pipe.components['text_encoder'].parameters()) n_params_unet = sum(p.numel() for p in pipe.components['unet'].parameters()) n_params = n_params_vae + n_params_text_encoder + n_params_unet print(f"Total number of parameters: {n_params}"). Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
MosaicML Diffusion— Kdo to vytvořil?
Bylo to publikováno společností Databricks, zakládající se na United States of America, organizace zařazená jako industry.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.