MosaicML Diffusion
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Databricks
- Szervezet típusa
- Industry
- Ország
- United States of America
- Közölt
- 28 April 2023
- Szerzők
- Mihir Patel, Erica Ji Yuen, Cory Stephenson, Landan Seguin
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Image generation
- Feladat
- Image generation, Text-to-image
- Megközelítés
- Self-supervised learning
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Paraméterek
- 1.3B
- Képzési adatok
- 790,000,000 tokens
- Epochok
- 1.38
Manually loaded model with following code snippet: from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler import torch repo_id = "stabilityai/stable-diffusion-2" pipe = DiffusionPipeline.from_pretrained(repo_id, torch_dtype=torch.float16, revision="fp16") n_params_vae = sum(p.numel() for p in pipe.components['vae'].parameters()) n_params_text_encoder = sum(p.numel() for p in pipe.components['text_encoder'].parameters()) n_params_unet = sum(p.numel() for p in pipe.components['une…
For the first phase of training, we used all images with resolution >=256x256, amounting to 790 million image-caption samples. For the second phase of training, we only used images with resolution >=512x512, amounting to 300 million image-caption samples. Note that second phase data is a strict subset of first stage.
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 1.1 × 10²² FLOP
- Hogyan jött létre
- Hardware
23,835 A100-hours * 3.12e14 FLOP/GPU-sec * 3600 sec/hour * 0.4 (assumed utilization) = 1.07e22 "Both phases of training ran on 128 NVIDIA A100 GPUs. The first training phase was run for 550k iterations in 1.6 days while the second phase was run for 850k iterations in 4.9 days, for a total of 20,051 A100 hours for training. In addition to the training time, we pre-computed the latents for the VAE and CLIP model to reduce training time and cost when making multiple passes over the dataset. Pre-co…
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA A100
- Használt chipek
- 128
- Fali óra idő
- 186 hours (7.8 days)
- Teljesítményfogyasztás
- 102.0 kW
"Both phases of training ran on 128 NVIDIA A100 GPUs. The first training phase was run for 550k iterations in 1.6 days while the second phase was run for 850k iterations in 4.9 days, for a total of 20,051 A100 hours for training. In addition to the training time, we pre-computed the latents for the VAE and CLIP model to reduce training time and cost when making multiple passes over the dataset. Pre-computing the latents required an additional 3,784 A100 hours, resulting in 23,835 A100 hours in t…
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Closed — provider access only
- Modell hozzáférés
- Unreleased
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Training Stable Diffusion from Scratch for <$50k with MosaicML
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Erről a modelről
MosaicML Diffusion ki lett adva által Databricks, az országban rögzítve mint United States of America, alatt April 2023. A kiadó szervezet a következő kategóriába tartozik industry.
Működik a területen a Image generation, és úgy van rögzítve, mint a feladat végrehajtása image generation, Text-to-image.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Mi került a felépítésébe
A betanításhoz körülbelül egy számítási költségvetés kellett 1.1 × 10²² FLOP, hardveren rögzítve NVIDIA A100. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A tanító készlet kb. futott 790,000,000 szöveg tokenjei
Válaszok
MosaicML Diffusion — gyakori kérdések
MosaicML Diffusion— Mikor adták ki?
Kibocsátották a April 2023. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
MosaicML Diffusion— Mire használják?
Működik a területen a Image generation, és rögzítve van, hogy kezeli a feladatot image generation, Text-to-image. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
MosaicML Diffusion— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.1 × 10²² FLOP, hardveren rögzítve NVIDIA A100. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
MosaicML Diffusion— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
MosaicML Diffusion— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
MosaicML Diffusion— Hány paramétere van?
Paraméterszáma 1.3B. Manually loaded model with following code snippet: from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler import torch repo_id = "stabilityai/stable-diffusion-2" pipe = DiffusionPipeline.from_pretrained(repo_id, torch_dtype=torch.float16, revision="fp16") n_params_vae = sum(p.numel() for p in pipe.components['vae'].parameters()) n_params_text_encoder = sum(p.numel() for p in pipe.components['text_encoder'].parameters()) n_params_unet = sum(p.numel() for p in pipe.components['unet'].parameters()) n_params = n_params_vae + n_params_text_encoder + n_params_unet print(f"Total number of parameters: {n_params}"). Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
MosaicML Diffusion— Ki készítette ezt?
Kiadta Databricks, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..