GANs
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 Montreal / Université de Montréal
- Tipo de Organización
- Academia
- País
- Canada
- Publicado
- 10 June 2014
- Autores
- Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Image generation
- Tarea
- Image generation
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
- 120,000 tokens
"We trained adversarial nets an a range of datasets including MNIST[23], the Toronto Face Database (TFD) [28], and CIFAR-10 [21]." MNIST has 60k images https://en.wikipedia.org/wiki/MNIST_database TFD seems to have 2925 examples (?) https://www.cs.toronto.edu/~urtasun/courses/CSC411/hw3-411.pdf CIFAR-10 has 60k images https://www.cs.toronto.edu/~kriz/cifar.html
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 5.2 × 10¹⁷ FLOP
- Cómo se estableció
- Third-party estimation
From https://openai.com/blog/ai-and-compute/ Appendix "Less than 0.006 pfs-days" (86400*10^15*0.006) Seems extremely speculative, unless someone at OpenAI privately corresponded with the authors. There is no information about compute or training in the GANs paper.
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
- Speculative
- Citas
- 36,870
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Generative Adversarial Networks
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
GANs fue publicado por University of Montreal / Université de Montréal, en el país registrado como Canada, durante June 2014. Sale de una organización categorizada como academia.
Funciona en el dominio de Image generation, y se registra como realizando la tarea de image generation.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Qué se necesitó para construirlo
Producirlo requirió una aritmética que totaliza alrededor de 5.2 × 10¹⁷ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 120,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: highly cited.
Respuestas
GANs — preguntas comunes
GANs— ¿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.
GANs— ¿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.
GANs— ¿Quién lo creó?
Fue publicado por University of Montreal / Université de Montréal, basado en Canada, una organización categorizada como academia.
GANs— ¿cuándo fue lanzado?
Se publicó en June 2014. 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.
GANs— ¿Para qué se utiliza?
Funciona en el dominio de Image generation, y se registra como manejando la tarea de image generation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
GANs— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5.2 × 10¹⁷ FLOP. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
GANs— ¿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.