MaskGIT (ImageNet)
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Google Research
- Organisationsart
- Industry
- Land
- United States of America
- Veröffentlicht
- 8 February 2022
- Autoren
- Huiwen Chang, Han Zhang, Lu Jiang, Ce Liu, William T. Freeman
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Image generation
- Aufgabe
- Image generation, Image-to-image
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Parameter
- 227M
- Trainingsdaten
- tokens
- Epochen
- 300
227M Table 1
"For each dataset, we only train a single autoencoder, decoder, and codebook with 1024 tokens on cropped 256x256 images for all the experiments. The image is always compressed by a fixed factor of 16, i.e. from H ˆW to a grid of tokens in the size of h ˆ w, where h=H{16 and w=W{16. We find that this autoencoder, together with the codebook, can be reused to synthesize 512ˆ512 images." "All models are trained on 4x4 TPU devices with a batch size of 256. ImageNet models are trained for 300 epochs …
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Verwendete Chips
- 16
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Warum es verfolgt wird
- SOTA improvement
- Aufzeichnungsgenauigkeit
- Confident
"Our experiments demonstrate that MaskGIT significantly outperforms the state-of-the-art transformer model on the ImageNet dataset, and accelerates autoregressive decoding by up to 64x"
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- MaskGIT: Masked Generative Image Transformer
- Zuletzt aktualisiert
- 11 February 2026
Was die Zahlen bedeuten
Über dieses Modell
MaskGIT (ImageNet) wurde veröffentlicht von Google Research, im Land aufgezeichnet als United States of America, während February 2022. Es stammt aus einer Organisation, die kategorisiert ist als industry.
Es funktioniert im Bereich von Image generation, und wird als die Aufgabe von aufgezeichnet image generation, Image-to-image.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Wie es trainiert wurde
Der Grund, warum es überhaupt in diesem Katalog erscheint: sOTA improvement.
Antworten
MaskGIT (ImageNet) — Häufige Fragen
MaskGIT (ImageNet)— Ist es Open-Source?
Die Lizenzierung wurde nie in unseren Quelldaten aufgezeichnet. Wir behandeln nicht angegebene Lizenzen als geschlossen, da eine nicht aufgezeichnete Lizenz keine ist, auf die man sich verlassen kann.
MaskGIT (ImageNet)— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 227M. 227M Table 1. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
MaskGIT (ImageNet)— Wer hat es erstellt?
Es wurde veröffentlicht von Google Research, basiert auf United States of America, eine als kategorisierte Organisation industry.
MaskGIT (ImageNet)— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in February 2022. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
MaskGIT (ImageNet)— Wofür wird es verwendet?
Es funktioniert im Bereich von Image generation, und wird als Bewältigung der Aufgabe von image generation, Image-to-image. Ein Modell kann mehrere von jedem tragen, daher sind dies die Bereiche, für die es gebaut wurde, anstatt eine Begrenzung dafür, was es versuchen wird.
MaskGIT (ImageNet)— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.