Image-to-image cGAN
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- University of California (UC) Berkeley
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 21 November 2016
- Autores
- Phillip Isola, Jun-Yan Zhu, Tinghui Zhou, Alexei A. Efros
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision, Image generation
- Tarea
- Image generation, Image-to-image
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- 2,400,000 tokens
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- Highly cited
- Confianza de registro
- Unknown
- Citas
- 22,297
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Image-to-Image Translation with Conditional Adversarial Networks
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
Image-to-image cGAN fue publicado por University of California (UC) Berkeley, en el país registrado como United States of America, durante November 2016. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Vision, Image generation, y se registra como realizando la tarea de image generation, Image-to-image.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
Fue entrenado en un corpus de aproximadamente 2,400,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: highly cited.
Respuestas
Image-to-image cGAN — preguntas comunes
Image-to-image cGAN— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
Image-to-image cGAN— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
Image-to-image cGAN— ¿Quién lo creó?
Fue publicado por University of California (UC) Berkeley, basado en United States of America, una organización categorizada como academia.
Image-to-image cGAN— ¿cuándo fue lanzado?
Se publicó en November 2016. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Image-to-image cGAN— ¿Para qué se utiliza?
Funciona en el dominio de Vision, Image generation, y se registra como manejando la tarea de image generation, Image-to-image. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Image-to-image cGAN— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.