Projected GAN
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti tohoto modelu jsou otevřené, ale žádný počet parametrů pro něj nebyl zveřejněn. Každé číslo týkající se paměti a rychlosti vychází z této hodnoty, takže bychom raději nic neukázali, než fabrikaovaný odhad..
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
- Heidelberg University
- Typ organizace
- Academia
- Země
- Germany
- Publikováno
- 1 November 2021
- Autoři
- Axel Sauer, Kashyap Chitta, Jens Müller, Andreas Geiger
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Image generation
- Úkol
- Image generation
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- Výcviková data
- 3,000,000 tokens
They experiment with 22 image datasets. Largest appears to be LSUN-Bedroom at 3M images.
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 × 10¹⁹ FLOP
- Jak bylo ustanoveno
- Hardware
"With this setting, each experiment takes roughly 100-200 GPU hours on a NVIDIA V100, for more details we refer to the appendix." "We conduct our experiments on an internal cluster with several nodes, each with up to 8 Quadro RTX 6000 or NVIDIA V100 using PyTorch 1.7.1 and CUDA 11.0." In appendix table 7, takes 10.1 seconds per 1k images on 8 Quadro RTX 6000s. Longest training run for Projected GAN appears to be in Figure 4 (left), at 14M images, though this is overtrained and the largest chec…
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA V100,NVIDIA Quadro RTX 6000
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
- Open — downloadable
- Přístup k modelu
- Open weights (unrestricted)
- Tréninkový kód
- Open source
MIT license https://github.com/autonomousvision/projected-gan
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Proč je to sledováno
- SOTA improvement
- Záznam důvěry
- Confident
- Citace
- 280
Table 3 "It is further compatible with resolutions of up to one Megapixel and advances the state-of-the-art Fréchet Inception Distance (FID) on twenty-two benchmark datasets"
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Projected GANs Converge Faster
- Nap poslední aktualizace
- 1 January 2026
Co čísla znamenají
Pozadí
Projected GAN byl zveřejněn Heidelberg University, v zemi zaznamenané jako Germany, během November 2021. Vydavatelská organizace je kategorizována jako academia.
funguje v oblasti Image generation, a je zaznamenán jako vykonávající úkol image generation.
Váhy jsou zveřejněny, takže si je můžete stáhnout a spustit na své vlastní hardwaru neomezeně, offline, bez připojeného účtu.
Trénink a původ
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 1.1 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako NVIDIA V100,NVIDIA Quadro RTX 6000. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Tréninková sada běžela na přibližně 3,000,000 tokeny textu
Jeho kritérium zahrnutí: sOTA improvement.
Odpovědi
Projected GAN — běžné otázky
Projected GAN— Kdo to vytvořil?
Bylo to publikováno společností Heidelberg University, zakládající se na Germany, organizace zařazená jako academia.
Projected GAN— Kdy byl vydán?
Bylo to zveřejněno v November 2021. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Projected GAN— K čemu se to používá?
funguje v oblasti Image generation, a je zaznamenáno jako zpracovávající úkol image generation. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
Projected GAN— kde si to mohu stáhnout?
Váhy jsou zveřejněny, i když nemáme odkaz na repozitář. Tato stránka vypočítává hardwarové požadavky spíše než aby hostila modelové soubory.
Projected GAN— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1.1 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako NVIDIA V100,NVIDIA Quadro RTX 6000. 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.
Projected GAN— Jakou GPU potřebuji k jejímu spuštění?
Nemůžeme říct. Má otevřené váhy, ale žádný počet parametrů pro něj nebyl zveřejněn a každý výpočet paměti a rychlosti začíná od toho čísla. Raději bychom ukázali nic než vykonstruovaný odhad.
Projected GAN— Je to OPEN SOURCE?
Jeho váhy jsou zveřejněny, takže si je lze stáhnout a spustit na vlastním hardwaru. Všimněte si, že open WEIGHTS není totéž co open SOURCE v plném smyslu — neříká nic o tréninkových datech, tréninkovém kódu nebo obchodních podmínkách připojených.
Projected GAN— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
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.