SAGAN
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Rutgers University,Google Research
- Type d'organisation
- Academia,Industry
- Pays
- United States of America
- Publié
- 14 June 2019
- Auteurs
- Han Zhang, Ian Goodfellow, Dimitris Metaxas, Augustus Odena
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Image generation
- Tâche
- Image generation
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- Données d'entraînement
- tokens
- Époques
- 8
" where k = 1, 2, 4, 8 after few training epochs on ImageNet. For memory efficiency, we choose k = 8 (i.e., C¯ = C/8) in all our experiments."
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 2.2 × 10²⁰ FLOP
- Comment cela a été établi
- Hardware
Assuming (!) they used V100s: 125000000000000 FLOP / GPU / sec * 336 hours [see training time notes] * 3600 sec / hour * 4 GPUs * 0.3 [assumed utilization] = 1.8144e+20 FLOP
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Chips utilisés
- 4
- Temps en temps réel
- 336 hours (14 days)
"Models were trained for roughly 2 weeks on 4 GPUs each"
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Open source
Apache 2.0 https://github.com/brain-research/self-attention-gan
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Likely
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Self-Attention Generative Adversarial Networks
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Ce que ce modèle est
SAGAN a été publié par Rutgers University,Google Research, dans le pays enregistré comme United States of America, durant June 2019. L'organisation de publication est catégorisée comme academia,Industry.
Il fonctionne dans le domaine de Image generation, et est enregistré comme exécutant la tâche de image generation.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Entraînement et provenance
L'entraînement a consommé environ 2.2 × 10²⁰ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
SAGAN — questions courantes
SAGAN— qui l'a créé ?
Il a été publié par Rutgers University,Google Research, basé sur United States of America, une organisation catégorisée comme academia,Industry.
SAGAN— quand a-t-il été publié ?
Il a été publié dans June 2019. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
SAGAN— à quoi ça sert ?
Il fonctionne dans le domaine de Image generation, et est enregistré comme gérant la tâche de image generation. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
SAGAN— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.2 × 10²⁰ FLOP. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
SAGAN— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
SAGAN— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
SAGAN— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.