BigGAN-deep 512x512 TPS kalkulátor

Otevřít váhy Heriot-Watt University,DeepMind 112.7M parametry September 2018

Každá karta níže je hodnocena podle tohoto modelu na základě délky kontextu a minimální kvality, kterou si zvolíte. Rychlost je odhad pro jednotlivý požadavek, vypočítaná z paměťové šířky karty a velikosti modelu po kompresi..

Vypočteno pro tento model

818 karty, které to mohou spustit

818 karty, které máme specifikace pro

Nejmenší karta, která se vejde

Tesla C1080

4 GB · Q8_0 · 327 tok/s

Nejrychlejší karta

B200

30,066 tok/s · 180 GB

Které GPU mohou spustit BigGAN-deep 512x512?

Nastavte vstupy, přečtěte si odpověď

Delší konverzace potřebuje více paměti, což může tento model vytlačit z menších karet..

Skrývá karty, které by se do modelu vešly pouze jeho stlačením pod tento bod.

818 karty odpovídají

Vypočítávání
Potřebuje Kvantisace Pohodlné
30,066 tok/s

18,039–48,105 · nízká důvěra

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 0.8 GB Q8_0 Pohodlný
30,066 tok/s

18,039–48,105 · nízká důvěra

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 0.8 GB Q8_0 Pohodlný
24,008 tok/s

14,405–38,413 · nízká důvěra

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 0.8 GB Q8_0 Pohodlný
24,008 tok/s

14,405–38,413 · nízká důvěra

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 0.8 GB Q8_0 Pohodlný
19,201 tok/s

11,520–30,721 · nízká důvěra

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 0.8 GB Q8_0 Pohodlný
18,378 tok/s

11,027–29,404 · nízká důvěra

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 0.8 GB Q8_0 Pohodlný
18,378 tok/s

11,027–29,404 · nízká důvěra

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 0.8 GB Q8_0 Pohodlný
17,588 tok/s

10,553–28,141 · nízká důvěra

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 0.8 GB Q8_0 Pohodlný
15,610 tok/s

9,366–24,975 · nízká důvěra

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Pohodlný
15,610 tok/s

9,366–24,975 · nízká důvěra

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Pohodlný
15,610 tok/s

9,366–24,975 · nízká důvěra

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 0.8 GB Q8_0 Pohodlný
14,807 tok/s

8,884–23,692 · nízká důvěra

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 0.8 GB Q8_0 Pohodlný
12,628 tok/s

7,577–20,204 · nízká důvěra

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Pohodlný
12,628 tok/s

7,577–20,204 · nízká důvěra

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 0.8 GB Q8_0 Pohodlný
12,628 tok/s

7,577–20,204 · nízká důvěra

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Pohodlný
12,628 tok/s

7,577–20,204 · nízká důvěra

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Pohodlný
12,628 tok/s

7,577–20,204 · nízká důvěra

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 0.8 GB Q8_0 Pohodlný
9,615 tok/s

5,769–15,384 · nízká důvěra

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 0.8 GB Q8_0 Pohodlný
9,615 tok/s

5,769–15,384 · nízká důvěra

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 0.8 GB Q8_0 Pohodlný
8,012 tok/s

4,807–12,820 · nízká důvěra

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 0.8 GB Q8_0 Pohodlný
7,841 tok/s

4,705–12,546 · nízká důvěra

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 0.8 GB Q8_0 Pohodlný
7,667 tok/s

4,600–12,267 · nízká důvěra

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 0.8 GB Q8_0 Pohodlný
7,667 tok/s

4,600–12,267 · nízká důvěra

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 0.8 GB Q8_0 Pohodlný
7,667 tok/s

4,600–12,267 · nízká důvěra

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 0.8 GB Q8_0 Pohodlný
7,667 tok/s

4,600–12,267 · nízká důvěra

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 0.8 GB Q8_0 Pohodlný

Rychlosti jsou odhady pro jednoho žadatele — jednu konverzaci najednou — vypočítané z šířky pásma paměti, velikosti modelu a kvantizace. Skutečný průchod se liší s výkonem inference a jeho verzí. Čísla zveřejněná výrobci hardwaru měří mnoho simultánních požadavků a jsou mnohem vyšší..

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
Heriot-Watt University,DeepMind
Typ organizace
Academia,Industry
Země
United Kingdom of Great Britain and Northern Ireland
Publikováno
28 September 2018
Autoři
Andrew Brock, Jeff Donahue, Karen Simonyan

Co to dělá

Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.

Doména
Image generation
Úkol
Image generation
Číselný formát
FP32

Velikost

Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.

parametry
112.7M

I used the publicly available implementation available at [1] There I loaded the biggan-deep512/1 model, and ran script [2] to compute the number of parameters [1] https://colab.research.google.com/github/tensorflow/hub/blob/master/examples/colab/biggan_generation_with_tf_hub.ipynb [2] n_params = 0 for var in module.variables: n_params += np.prod(var.shape.as_list()) pass print(n_params)

Výcviková data
584,000,000 tokens

"To confirm that our design choices are effective for even larger and more complex and diverse datasets, we also present results of our system on a subset of JFT-300M (Sun et al., 2017). The full JFT-300M dataset contains 300M real-world images labeled with 18K categories. Since the category distribution is heavily long-tailed, we subsample the dataset to keep only images with the 8.5K most common labels. The resulting dataset contains 292M images – two orders of magnitude larger than ImageNet. …

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
1.8 × 10²¹ FLOP

3e21, estimate taken from: https://www.lesswrong.com/posts/wfpdejMWog4vEDLDg/ai-and-compute-trend-isn-t-predictive-of-what-is-happening

Jak bylo ustanoveno
Third-party estimation

Tréninkový běh

Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.

Tréninkový hardware
Google TPU v3
Používané čipy
256
Čip-hodiny
12,288
Doba reálného času
48 hours

"We train on a Google TPU v3 Pod, with the number of cores proportional to the resolution: 128 for 128×128, 256 for 256×256, and 512 for 512×512. Training takes between 24 and 48 hours for most models"

Příkon
238.2 kW
Náklady na výpočet
$5,372

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
Unreleased

repo license is Apache: https://github.com/tensorflow/tfhub.dev/blob/master/assets/docs/deepmind/models/biggan-deep-512/1.md

Jak je to klasifikováno

Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.

Frontier model
Yes
Záznam důvěry
Likely
Citace
6,101

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
Large Scale GAN Training for High Fidelity Natural Image Synthesis
Nap poslední aktualizace
25 May 2026

Extrémy

Deset nejrychlejších GPU, které běží BigGAN-deep 512x512

Seřazeno podle odhadovaných tokenů za sekundu, nejnovější karta první, kde se rychlosti shodují. Protože generování je omezeno šířkou pásma paměti, toto řazení následuje šířku pásma spíše než jakýkoli herní benchmark..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 30,066 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 30,066 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 24,008 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 24,008 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 19,201 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 18,378 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 18,378 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 17,588 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 15,610 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 15,610 tok/s

Nejmenší GPU, které ještě běží BigGAN-deep 512x512

Nejlevnější cesta dovnitř, podle kapacity paměti. Těsný fit spustí model, ale nenechá nic navíc na delší konverzaci..

  1. 01 GeForce RTX 4010 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 361 tok/s
  2. 02 RTX A400 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 361 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 481 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 722 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 128 tok/s
  6. 06 Radeon RX 6450M 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 375 tok/s
  7. 07 Radeon RX 6550M 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 422 tok/s
  8. 08 Radeon RX 6550S 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 375 tok/s
  9. 09 Arc A310 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 303 tok/s
  10. 10 Arc Pro A30M 4 GB · Potřebuje 0.8 GB · Q8_0 · Pohodlný 313 tok/s

Co čísla znamenají

Hardwareová stránka

Minimum karta

Tesla C1080

Potřeba paměti

0.8 GB

Nejrychlejší

30,066 tok/s

BigGAN-deep 512x512 dosahuje počtu parametrů 112.7M. To je dost malé, že hardware je zřídkakdy překážkou, včetně karet starých několik let. Počet karet, které sledujeme, které to mohou spustit: 818.

Na nízkém konci se to řeší pomocí Tesla C1080, s kapacitou VRAM 4 GB, spuštění na kompresi Q8_0 a vyrábějí kolem 327 tokenů za sekundu

Nejrychlejší výsledek pochází z B200, generování přibližně 30,066 tokens za sekundu na základě šířky pásma VRAM 8,000 GB/s.

O tomto modelu

BigGAN-deep 512x512 byl zveřejněn Heriot-Watt University,DeepMind, v zemi zaznamenané jako United Kingdom of Great Britain and Northern Ireland, během September 2018. Vydavatelská organizace je kategorizována jako academia,Industry.

funguje v oblasti Image generation, a je zaznamenán jako vykonávající úkol image generation.

Protože byly jeho váhy uvolněny, nic ohledně jeho spuštění nezávisí na dostupnosti poskytovatele - je to vaše, jakmile je stáhnuto.

Jak rychle to běží a proč

Polovina karet, které to drží, zvládne více než 844.2 tokens za sekundu. Překračující rychlost čtení rovnou: 818 z nich

Být hustý, čte vše sám po tokenu, což je důvod, proč pořadí podle rychlosti níže úzce následuje pořadí podle šířky pásma VRAM.

Jeho vnitřní architektura není v evidenci, takže paměť je přibližně odhadnuta z počtu parametrů a označena odpovídajícím způsobem. Očekávejte, že skutečná čísla se budou lišit, zejména u dlouhého kontextu.

Co bylo zapotřebí k jeho vybudování

Produkce toho vyžadovala aritmetiku v celkové výši přibližně 1.8 × 10²¹ FLOP, na hardwaru zaznamenáno jako Google TPU v3. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.

Trénink spotřeboval korpus kolem 584,000,000 tokeny textu

Krok za krokem

Jak vybrat GPU pro BigGAN-deep 512x512

Stůl výše již posoudil každou kartu, pro kterou máme specifikace, proti tomuto modelu. Dostání se k vaší odpovědi trvá šest kroků.

  1. 01

    Zkontrolujte, co to potřebuje před čímkoli jiným.

    Začněte od toho, co skutečně potřebuje, což je požadavek na BigGAN-deep 512x512, potřebující kolem 0.8 GB při kompresi Q8_0. Kapacita je brána — karta buď ji má, nebo ne.

  2. 02

    Přizpůsobte kontext svému skutečnému použití

    Delší konverzace spotřebovávají paměť navíc k tomu, co potřebují váhy. Posuňte jezdec na svou skutečnou pracovního délku, než důvěřujete jakémukoliv řádku pro BigGAN-deep 512x512.

  3. 03

    Nastavte minimální kvalitu

    Kompresce je to, co umožňuje modelu pojmout menší KARTY, za určitou cenu v přesnosti., dosahující komprese Q8_0 na nejmenší kartě, která se vejde. Nastavení minimální kvality odstraňuje karty, které pouze splňují tuto kvalitu tím, že ji dále stlačují více, než byste chtěli, a udržuje srovnání na jedné úrovni.

  4. 04

    Hodnoťte podle propustnosti spíše než podle specifikace

    Seřaďte podle rychlosti, abyste viděli, jak si karty vedou. BigGAN-deep 512x512. Nebude to odpovídat hernímu pořádku, protože generace je omezena šířkou pásma paměti. Grafická karta, která vede seznam, je B200, na 30,066 tok/s

  5. 05

    Zkontrolujte verdikt o vhodnosti před koupí

    Sloupec vhodnosti odděluje karty, které to jen tak tak zvládají, od těch, které mají místo navíc, v případě BigGAN-deep 512x512. Pohodlný znamená, že můžete později zvětšit kontext. Ten rozdíl má větší význam než pár tokenů za sekundu, takže kupte pro pohodlné, pokud to očekáváte.

  6. 06

    Podívejte se, co dalšího ta karta spouští

    Každá stránka karty opakuje tento postup pro každý model, který máme, a odpovídá na to, k čemu je hardware dobrý kromě BigGAN-deep 512x512.

Odpovědi

BigGAN-deep 512x512 — běžné otázky

01

BigGAN-deep 512x512— 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.

02

BigGAN-deep 512x512— kolik má parametrů?

Má počet parametrů 112.7M. I used the publicly available implementation available at [1] There I loaded the biggan-deep512/1 model, and ran script [2] to compute the number of parameters [1] https://colab.research.google.com/github/tensorflow/hub/blob/master/examples/colab/biggan_generation_with_tf_hub.ipynb [2] n_params = 0 for var in module.variables: n_params += np.prod(var.shape.as_list()) pass print(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.

03

BigGAN-deep 512x512— Kdo to vytvořil?

Bylo to publikováno společností Heriot-Watt University,DeepMind, zakládající se na United Kingdom of Great Britain and Northern Ireland, organizace zařazená jako academia,Industry.

04

BigGAN-deep 512x512— Kdy byl vydán?

Bylo to zveřejněno v September 2018. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

05

BigGAN-deep 512x512— K čemu se to používá?

funguje v oblasti Image generation, a je zaznamenáno jako zpracovávající úkol image generation. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.

06

BigGAN-deep 512x512— 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.

07

BigGAN-deep 512x512— kolik výpočetního výkonu bylo použito k jeho trénování?

Trénink spotřeboval kolem 1.8 × 10²¹ FLOP, na hardwaru zaznamenáno jako Google TPU v3. 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.

08

BigGAN-deep 512x512— Mohu to spustit, pokud se to nevejde do mé GPU?

Částečně. Vrstvy, které se nevejdou, sedí v systémové paměti a běží jen při zlomku rychlosti, takže většinou odložený model není často použitelný. Každá postava zde předpokládá, že celý model je umístěn na kartě.

09

BigGAN-deep 512x512— Běhalo by to rychleji na dvou GPU?

Druhá karta přibližně zdvojnásobí dostupnou paměť, ale ne rychlost generování. Počet, který je již schopen ji spustit sám: 818. Takže druhá karta je tu zřídka odpovědí.

10

BigGAN-deep 512x512— proč se kvantizace liší mezi kartami?

Každá KARTA je zobrazena, jak běží nejméně komprimovaná kopie, kterou může udržet. Počet různých úrovní komprese napříč KARTAMI, které ji vejít: 1. Větší karty získávají přesnější verzi a kvalita podlahy nad piny srovnává na jednu úroveň.

11

BigGAN-deep 512x512— Jak přesné jsou tyto odhady rychlosti?

Jsou vypočítány ze specifikací spíše než měřeny a každá má určité rozmezí. Jeden příklad: 18,039–48,105 tok/s na B200. Stejný model a karta se liší o třicet až padesát procent v závislosti na softwaru pro inferenci a jeho verzi.

12

BigGAN-deep 512x512— Jakou GPU potřebuji k jejímu spuštění?

Nejmenší karta v našem katalogu, která to udrží, je Tesla C1080, s kapacitou VRAM 4 GB. Spouští model při kompresi Q8_0 používající přibližně 0.8 GB, a produkuje přibližně 327 tokeny za sekundu. Celkový počet karet, které mohou model běžet: 818.

13

BigGAN-deep 512x512— jak rychle je to na GPU?

Záleží na kartě. Nejrychleji, jak to spočítáme, je B200, přibližně 30,066 tokenů za sekundu; nejpomalejší, který stále běží, zvládá výrazně méně. Rychlost čtení je kolem deseti tokenů za sekundu, a počet karet, které to zvládají: 818.

14

BigGAN-deep 512x512— kolik VRAM potřebuje?

Potřebuje asi 0.8 GB při kompresi Q8_0, která je ta nejmenší karta, která to používá. Méně komprese vyžaduje více: čísla ve sloupci paměti výše jsou přepočítána pro každou kartu, protože každá drží nejméně komprimovanou verzi, kterou může.

15

BigGAN-deep 512x512— mohu to spustit na GPU držící 8 GB?

Ano. GPU kartu CMP 170HX 8 GB, držení 8 GB, provozuje ho při kompresi Q8_0, používající přibližně 0.8 GB a generováním zhruba 5,600 tokenů za sekundu. Fit je pohodlný.

16

BigGAN-deep 512x512— mohu to spustit na GPU držící 12 GB?

Ano. GPU kartu GeForce RTX 3080 Ti, držení 12 GB, provozuje ho při kompresi Q8_0, používající přibližně 0.8 GB a generováním zhruba 3,429 tokenů za sekundu. Fit je pohodlný.

17

BigGAN-deep 512x512— mohu to spustit na GPU držící 16 GB?

Ano. GPU kartu Tesla V100 SXM2 16 GB, držení 16 GB, provozuje ho při kompresi Q8_0, používající přibližně 0.8 GB a generováním zhruba 4,247 tokenů za sekundu. Fit je pohodlný.

18

BigGAN-deep 512x512— mohu to spustit na GPU držící 24 GB?

Ano. GPU kartu GeForce RTX 5090 D V2, držení 24 GB, provozuje ho při kompresi Q8_0, používající přibližně 0.8 GB a generováním zhruba 5,036 tokenů za sekundu. Fit je pohodlný.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 25 May 2026

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.

Všechny AI modely