PixelCNN
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
- Google DeepMind
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 16 June 2016
- Autoři
- Aaron van den Oord, Nal Kalchbrenner, Oriol Vinyals, Lasse Espeholt, Alex Graves, Koray Kavukcuoglu
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision
- 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
- 15,728,640,000 tokens
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Používané čipy
- 32
- Doba reálného času
- 60 hours
We were able to achieve similar performance to the PixelRNN (Row LSTM [30]) in less than half the training time (60 hours using 32 GPUs).
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
- Highly cited,SOTA improvement
- Záznam důvěry
- Unknown
- Citace
- 3,079
Best performance on NLL test.
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Conditional Image Generation with PixelCNN Decoders
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
O tomto modelu
PixelCNN byl zveřejněn Google DeepMind, v zemi zaznamenané jako United States of America, během June 2016. Vydavatelská organizace je kategorizována jako industry.
funguje v oblasti Vision, a je zaznamenán jako vykonávající úkol image generation.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Co bylo zapotřebí k jeho vybudování
Trénink spotřeboval korpus kolem 15,728,640,000 tokeny textu
Důvod, proč se to v tomto katalogu vůbec objevuje: highly cited,SOTA improvement.
Odpovědi
PixelCNN — běžné otázky
PixelCNN— 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.
PixelCNN— Je to OPEN SOURCE?
Licencování nikdy nebylo zaznamenáno v našich zdrojových datech. Neuváděné licencování považujeme za uzavřené, protože nezaznamenaná licence není na kterou by se dalo spoléhat.
PixelCNN— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
PixelCNN— Kdo to vytvořil?
Bylo to publikováno společností Google DeepMind, zakládající se na United States of America, organizace zařazená jako industry.
PixelCNN— Kdy byl vydán?
Bylo to zveřejněno v June 2016. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
PixelCNN— K čemu se to používá?
funguje v oblasti Vision, 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.
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.