RQ-Transformer (1.4B params ImageNet 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
- Vision, Image generation
- Feladat
- Text-to-image
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
- 1.4B
- Képzési adatok
- 327,680,000 tokens
- Epochok
- 50
1388M from Table 5 - ImageNet rows
size of ImageNet
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 × 10²⁰ FLOP
- Hogyan jött létre
- Hardware
"We use eight NVIDIA A100 GPUs to train RQ-Transformer of 1.4B parameters, and four GPUs to train RQ-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. " Quote probably involves a typo – I expect 8 A100s were used for 4.5 days to train the 3.8B model. 1.4B model probably used 4 GPUs. Best guess: (4) * (3.12e14) * (78.4 * 3600) * (0.3) = 1.057e20 (num gpu) * (peak flops) * (time in seconds…
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
- 8
- Chip-óra
- 864
- Fali óra idő
- 78 hours
- Teljesítményfogyasztás
- 6.4 kW
4.5 days for ImageNet for 1.4B model, but I expect this was a typo; probably the details are for the largest model. This also suggests training the 1.4B model used 4 rather than 8 GPUs, so would have taken ~ twice as long. Based on this, I use 4.5 days * (1.388B / 3.822B) * 2 = 78.4 hours "We use eight NVIDIA A100 GPUs to train RQ-Transformer of 1.4B parameters, and four GPUs to train RQ-Transformers of other sizes. The training time is <9 days for LSUN-cat, LSUN-bedroom, <4.5 days for ImageNe…
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 (1.4B params ImageNet dataset) ki lett adva által Kakao,POSTECH, az országban rögzítve mint Korea (Republic of), alatt March 2022. A kiadó kategóriája alá tartozik industry,Academia.
Működik a területen a Vision, Image generation, és úgy van rögzítve, mint a feladat végrehajtása text-to-image.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Mi került a felépítésébe
A létrehozásához körülbelül összesítő aritmetikára volt szükség. 1.1 × 10²⁰ 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 327,680,000 szöveg tokenjei
Válaszok
RQ-Transformer (1.4B params ImageNet dataset) — gyakori kérdések
RQ-Transformer (1.4B params ImageNet dataset)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.1 × 10²⁰ 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 (1.4B params ImageNet 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 (1.4B params ImageNet 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.
RQ-Transformer (1.4B params ImageNet dataset)— Hány paramétere van?
Paraméterszáma 1.4B. 1388M from Table 5 - ImageNet rows. 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 (1.4B params ImageNet dataset)— Ki készítette ezt?
Kiadta Kakao,POSTECH, alapján Korea (Republic of), egy szervezet, amelyet kategorizáltak mint industry,Academia.
RQ-Transformer (1.4B params ImageNet 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 (1.4B params ImageNet dataset)— Mire használják?
Működik a területen a Vision, Image generation, és rögzítve van, hogy kezeli a feladatot text-to-image. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
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..