MaskGIT (ImageNet)

Κλειστές βαρύτητες Google Research 227M παράμετροι February 2022

Καμία εκτίμηση

Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο

Δεν έχει δημοσιευτεί το βάρος για αυτό το μοντέλο, επομένως δεν μπορεί να κατέβει ή να τρέξει σε δικό σας υλικό σε οποιοδήποτε μέγεθος. Είναι προσβάσιμο μόνο μέσω του προμηθευτή του, και καμία κάρτα γραφικών δεν το αλλάζει αυτό..

Περιηγηθείτε σε μοντέλα που μπορείτε να εκτελέσετε αντί για

Σε καταγραφή

Πλήρης προδιαγραφή

Όλα τα καταγεγραμμένα για αυτό το μοντέλο. Τα περισσότερα από αυτά περιγράφουν το πώς εκπαιδεύτηκε παρά το πώς τρέχει — χρήσιμο πλαίσιο για την εκτίμηση του πόση εργασία έχει επενδυθεί σε αυτό, και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα..

Προέλευση

Ποιος κατασκεύασε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε.

Οργάνωση
Google Research
Τύπος οργανισμού
Industry
Χώρα
United States of America
Δημοσιευμένο
8 February 2022
Συγγραφείς
Huiwen Chang, Han Zhang, Lu Jiang, Ce Liu, William T. Freeman

Τι κάνει

Οι προβληματικές περιοχές για τις οποίες σχεδιάστηκε το μοντέλο. Ένα μοντέλο μπορεί να διαθέτει αρκετές από κάθε μία.

τομέας
Image generation
Εργασία
Image generation, Image-to-image

Μέγεθος

Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα έχει εκπαιδευτεί. Οι παράμετροι είναι ο αριθμός που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.

παράμετροι
227M

227M Table 1

Δεδομένα εκπαίδευσης
tokens

"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 …

Εποχές
300

Η εκπαίδευση run

Τι απαιτήθηκε φυσικά για την εκπαίδευση: ποιες κάρτες, πόσες, για πόσο καιρό, και τι αυτό απαιτούσε από το ρεύμα.

χρησιμοποιούμενα τσιπ
16

Πώς ταξινομείται

Ετικέτες το πηγαίο σύνολο δεδομένων εφαρμόζει όταν παρακολουθεί σημαντικά μοντέλα, και πόσο βέβαιο είναι στην είσοδο.

Γιατί παρακολουθείται
SOTA improvement

"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"

Εγγραφή εμπιστοσύνης
Confident

Πηγές

Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία φορά.

Αναφορά
MaskGIT: Masked Generative Image Transformer
Τελευταία ενημέρωση
11 February 2026

Τι σημαίνουν οι αριθμοί

Σχετικά με αυτό το μοντέλο

MaskGIT (ImageNet) δημοσιεύθηκε από Google Research, στην χώρα καταγεγραμμένη ως United States of America, κατά τη διάρκεια February 2022. Προέρχεται από έναν οργανισμό που κατατάσσεται ως industry.

Λειτουργεί στον τομέα της Image generation, και καταγράφεται ότι εκτελεί την εργασία του image generation, Image-to-image.

Αυτό είναι ένα κλειστό μοντέλο: οι εκπαιδευμένες τιμές παρέμειναν με όποιον τις παρήγαγε, και δεν υπάρχει τοπική έκδοση για να τρέξει.

Πώς εκπαιδεύτηκε

Ο λόγος που εμφανίζεται σε αυτόν τον κατάλογο είναι: sOTA improvement.

Απαντήσεις

MaskGIT (ImageNet) — κοινές ερωτήσεις

01

MaskGIT (ImageNet)— είναι ανοιχτού κώδικα;

Η αδειοδότηση δεν καταγράφηκε ποτέ στα πηγά μας δεδομένα. Αντιμετωπίζουμε τις μη δηλωμένες άδειες ως κλειστές, επειδή μια μη καταγεγραμμένη άδεια δεν είναι μία στην οποία μπορείς να βασιστείς.

02

MaskGIT (ImageNet)— πόσες παραμέτρους έχει;

Έχει αριθμό παραμέτρων 227M. 227M Table 1. Αυτή η φιγούρα είναι το σύνολο, και είναι αυτό που αποφασίζει πόση μνήμη χρειάζεται το μοντέλο - περίπου μισό γιγαμπάιτ ανά δισεκατομμύριο με τη συμπίεση που χρησιμοποιεί το πιο πολλοί άνθρωποι.

03

MaskGIT (ImageNet)— ποιος το δημιούργησε;

Δημοσιεύθηκε από Google Research, βασισμένο σε United States of America, μία οργάνωση κατηγοριοποιημένη ως industry.

04

MaskGIT (ImageNet)— πότε κυκλοφόρησε;

Δημοσιεύθηκε σε February 2022. Η ικανότητα ανά παράμετρο έχει βελτιωθεί σημαντικά από τότε, οπότε ένα νέο ΜΟΝΤΕΛ του ίδιου μεγέθους είναι συχνά η καλύτερη χρήση του ίδιου υλικού.

05

MaskGIT (ImageNet)— για τί χρησιμοποιείται;

Λειτουργεί στον τομέα της Image generation, και καταγράφεται ως διαχείριση της εργασίας του image generation, Image-to-image. Ένα ΜΟΝΤΕΛ μπορεί να φέρει πολλά από το καθένα, οπότε αυτές είναι οι περιοχές για τις οποίες κατασκευάστηκε παρά περιορισμός σε ό,τι θα προσπαθήσει.

06

MaskGIT (ImageNet)— ποια GPU χρειάζομαι για να το τρέξω;

Κανένα. Αυτό είναι ένα κλειστό μοντέλο - τα βάρη του δεν δημοσιεύθηκαν ποτέ, οπότε δεν μπορεί να κατέβει ή να εκτελεστεί σε δικό σας υλικό σε καμία τιμή. Είναι προσβάσιμο μόνο μέσω του προμηθευτή του.

Πηγή

Αρχική δημοσίευση

Η καταγραφή ενημερώθηκε τελευταία φορά 11 February 2026

Η άλλη κατεύθυνση

Κοιτάζοντας το από την άλλη πλευρά;

Αυτή η σελίδα ξεκινά από το μοντέλο. Αν έχετε ήδη μια κάρτα και θέλετε να μάθετε τα πάντα για το τι θα τρέξει., ξεκινήστε από το υλικό αντ' αυτού.

Όλα τα μοντέλα AI