RQ-Transformer (LSUN-cat dataset)
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
- Kakao,POSTECH
- Szervezet típusa
- Industry,Academia
- Ország
- Korea (Republic of)
- Közölt
- 3 March 2022
- Szerzők
- Doyup Lee, Chiheon Kim, Saehoon Kim, Minsu Cho, Wook-Shin Han
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Image generation
- Feladat
- Text-to-image, Image generation
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
- 612M
- Képzési adatok
- 106,065,024 tokens
- Epochok
- 200
612M from Table 5 - LSUN-cat row we provide details for LSUN-cat with largest compute
size of LSUN-cat
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
- 2.9 × 10¹⁸ FLOP
- Hogyan jött létre
- Hardware
"We use eight NVIDIA A100 GPUs to train RQ-Transformer of 1.4B parameters, and four GPUs to trainRQ-Transformers of other sizes. The training time is <9 days for LSUN-cat, LSUN-bedroom, <4.5 days for ImageNet, and CC-3M, and <1 day for LSUN-church and FFHQ. " we provide details for LSUN-cat with largest compute flops = (4) * (3.12e14) * (9*24 * 3600) * (0.3) = 2.9113344e+20 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate)
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
- 4
- Chip-óra
- 864
- Fali óra idő
- 216 hours (9 days)
- Teljesítményfogyasztás
- 3.2 kW
9 days for LSUN-cat "We use eight NVIDIA A100 GPUs to train RQ-Transformer of 1.4B parameters, and four GPUs to trainRQ-Transformers of other sizes. The training time is <9 days for LSUN-cat, LSUN-bedroom, <4.5 days for ImageNet, and CC-3M, and <1 day for LSUN-church and FFHQ. "
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Likely
- Hivatkozások
- 763
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Autoregressive Image Generation using Residual Quantization
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Erről a modelről
RQ-Transformer (LSUN-cat dataset) ki lett adva által Kakao,POSTECH, az országban rögzítve mint Korea (Republic of), alatt March 2022. A kiadó szervezet a következő kategóriába tartozik industry,Academia.
Működik a területen a Image generation, és úgy van rögzítve, mint a feladat végrehajtása text-to-image, Image generation.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Hogyan lett betanítva
A betanításhoz körülbelül egy számítási költségvetés kellett 2.9 × 10¹⁸ FLOP, hardveren rögzítve NVIDIA A100. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Körülbelül egy korpuszon lett betanítva 106,065,024 szöveg tokenjei
Válaszok
RQ-Transformer (LSUN-cat dataset) — gyakori kérdések
RQ-Transformer (LSUN-cat dataset)— Hány paramétere van?
Paraméterszáma 612M. 612M from Table 5 - LSUN-cat row we provide details for LSUN-cat with largest compute. 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.
RQ-Transformer (LSUN-cat dataset)— Ki készítette ezt?
Kiadta Kakao,POSTECH, alapján Korea (Republic of), egy szervezet, amelyet kategorizáltak mint industry,Academia.
RQ-Transformer (LSUN-cat dataset)— Mikor adták ki?
Kibocsátották a March 2022. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
RQ-Transformer (LSUN-cat dataset)— Mire használják?
Működik a területen a Image generation, és rögzítve van, hogy kezeli a feladatot text-to-image, Image generation. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
RQ-Transformer (LSUN-cat dataset)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 2.9 × 10¹⁸ 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.
RQ-Transformer (LSUN-cat dataset)— 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.
RQ-Transformer (LSUN-cat dataset)— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
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..