Denoising Diffusion Probabilistic Models (LSUN Bedroom) TPS kalkulátor

Nyitott súlyok University of California (UC) Berkeley 256M Paraméterek June 2021

Minden kártyát az alábbiak szerint értékelünk e modell alapján a választott kontextus hossza és minimális minőség szerint. A sebesség egy becslés egyetlen kérésre, amelyet a kártya memória sávszélessége és a modell mérete alapján számítunk ki, miután tömörítettük..

Kiszámítva ehhez a MODElhez

818 kártyák, amelyek futtatni tudják

818 kártyák, amelyek specifikációs adataink vannak

Legkisebb kártya, ami elfér

Tesla C1080

4 GB · Q8_0 · 144 tok/s

Leggyorsabb kártya

B200

13,235 tok/s · 180 GB

Melyik GPU képes futtatni Denoising Diffusion Probabilistic Models (LSUN Bedroom)?

Állítsa be a bemeneteket, olvassa el a választ

Kontekthossz tokenek

Egy hosszabb beszélgetés több memóriaigényt támaszt, ami kiszoríthatja ezt a modellt a kisebb kártyákról..

Minimum minőség

Elrejti azokat a GPU-kártyákat, amelyek csak a modellbe illeszkednének a compressziójuk ezen pont alá..

Kártyák keresése

Kártya memória

Olyan kártyákat is mutasson, amelyek nem tudják futtatni.

818 kártyák illeszkednek

Számítás

					Szükséges	Kvantisálás	Illeszkedik
13,235 tok/s 7,941–21,176 · alacsony bizalom	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.0 GB	Q8_0	Kényelmes
13,235 tok/s 7,941–21,176 · alacsony bizalom	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.0 GB	Q8_0	Kényelmes
10,569 tok/s 6,341–16,910 · alacsony bizalom	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.0 GB	Q8_0	Kényelmes
10,569 tok/s 6,341–16,910 · alacsony bizalom	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.0 GB	Q8_0	Kényelmes
8,452 tok/s 5,071–13,524 · alacsony bizalom	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.0 GB	Q8_0	Kényelmes
8,090 tok/s 4,854–12,944 · alacsony bizalom	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.0 GB	Q8_0	Kényelmes
8,090 tok/s 4,854–12,944 · alacsony bizalom	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.0 GB	Q8_0	Kényelmes
7,743 tok/s 4,646–12,388 · alacsony bizalom	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.0 GB	Q8_0	Kényelmes
6,872 tok/s 4,123–10,995 · alacsony bizalom	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.0 GB	Q8_0	Kényelmes
6,872 tok/s 4,123–10,995 · alacsony bizalom	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.0 GB	Q8_0	Kényelmes
6,872 tok/s 4,123–10,995 · alacsony bizalom	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.0 GB	Q8_0	Kényelmes
6,518 tok/s 3,911–10,429 · alacsony bizalom	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.0 GB	Q8_0	Kényelmes
5,559 tok/s 3,335–8,894 · alacsony bizalom	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.0 GB	Q8_0	Kényelmes
5,559 tok/s 3,335–8,894 · alacsony bizalom	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.0 GB	Q8_0	Kényelmes
5,559 tok/s 3,335–8,894 · alacsony bizalom	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.0 GB	Q8_0	Kényelmes
5,559 tok/s 3,335–8,894 · alacsony bizalom	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.0 GB	Q8_0	Kényelmes
5,559 tok/s 3,335–8,894 · alacsony bizalom	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.0 GB	Q8_0	Kényelmes
4,233 tok/s 2,540–6,772 · alacsony bizalom	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.0 GB	Q8_0	Kényelmes
4,233 tok/s 2,540–6,772 · alacsony bizalom	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.0 GB	Q8_0	Kényelmes
3,527 tok/s 2,116–5,644 · alacsony bizalom	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.0 GB	Q8_0	Kényelmes
3,452 tok/s 2,071–5,523 · alacsony bizalom	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.0 GB	Q8_0	Kényelmes
3,375 tok/s 2,025–5,400 · alacsony bizalom	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.0 GB	Q8_0	Kényelmes
3,375 tok/s 2,025–5,400 · alacsony bizalom	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.0 GB	Q8_0	Kényelmes
3,375 tok/s 2,025–5,400 · alacsony bizalom	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.0 GB	Q8_0	Kényelmes
3,375 tok/s 2,025–5,400 · alacsony bizalom	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	1.0 GB	Q8_0	Kényelmes

A sebességek egyetlen kérésre - egy beszélgetés egy időben - vonatkozó becslések, amelyeket a MEMORY BANDWIDTH, a MODEL SIZE és a QUANTISATION alapján számítanak ki. A valós áteresztőképesség változik az INFERENCE RUNTIME és annak verziója szerint. A HARDWARE VENDORS által közzétett számok sok párhuzamos kérést mérnek, és sokkal magasabbak..

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: University of California (UC) Berkeley
Szervezet típusa: Academia
Ország: United States of America
Közölt: 11 June 2021
Szerzők: Jonathan Ho, Ajay Jain, Pieter Abbeel

Mit csinál

A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.

Tartomány: Vision
Feladat: 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: 256M
Képzési adatok: 596,320,321,536 tokens

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: 7.8 × 10¹⁹ FLOP
Hogyan jött létre: Hardware

A tréning futás

Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.

Képzési hardver: Google TPU v3
Számítási költség: $436

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: Open — downloadable
Modell hozzáférés: Open weights (unrestricted)
Képzés kód: Open source

Hogyan van besorolva

Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.

Miért követik nyomon: Highly cited,SOTA improvement
Nyilvántartási bizalom: Confident
Hivatkozások: 30,642

Források

Honnan származik ez a felvétel és mikor ellenőrizték utoljára.

Referencia: Denoising Diffusion Probabilistic Models
Utoljára frissítve: 25 May 2026

Az extremitások

A tíz leggyorsabb GPU, amely képes futtatni Denoising Diffusion Probabilistic Models (LSUN Bedroom)

A másodpercenkénti becsült tokenek alapján rangsorolva, a legújabb kártyát először, ahol a sebességek azonosak. Mivel a generálás a MEMÓRIA SZÉLESSÉGÉhez van kötve, ez a sorrend a sávszélességet követi, nem pedig bármilyen játékbeli tesztet..

A legkisebb GPU-k, amik még futnak Denoising Diffusion Probabilistic Models (LSUN Bedroom)

A legolcsóbb út, a memória kapacitás alapján. Egy szoros illeszkedés futtatja a modellt, de semmit sem hagy a hosszabb beszélgetésre..

Mit jelentenek a számok

Hardverkövetelmények a gyakorlatban

Minimális kártya

Tesla C1080

Szükséges memória

1.0 GB

Leggyorsabb

13,235 tok/s

Denoising Diffusion Probabilistic Models (LSUN Bedroom) eléri a paraméterek számát 256M. Ez elég kicsi ahhoz, hogy a hardver ritkán legyen az akadály, beleértve a több éves kártyákat is. Azoknak a kártyáknak a száma, amelyeket nyomon követünk, és amelyek el tudják futtatni: 818.

A belépési pont a Tesla C1080, memória kapacitással rendelkezik 4 GB, futtatás egy tömörítési arányon Q8_0 és körülbelül előállítva 144 tokenek másodpercenként

A leggyorsabb, amit erre számolunk, az B200, nagyjából generálás 13,235 másodpercenkénti tokenek egy memória sávszélesség erejében 8,000 GB/s.

Erről a modelről

Denoising Diffusion Probabilistic Models (LSUN Bedroom) ki lett adva által University of California (UC) Berkeley, az országban rögzítve mint United States of America, alatt June 2021. A kiadó szervezet a következő kategóriába tartozik academia.

Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása image generation.

A közzétett súlyok azt jelentik, hogy a modell a te gépeden fut, nem pedig valaki másén, ami lehetővé teszi az alábbi hardverkérdés megválaszolását.

Milyen gyorsan fut, és miért

A medián eredmény körül 371.7 másodpercenkénti tokenek 818 tőlük

Ez egy sűrű modell, így minden paramétert minden előállított tokenhez elolvasnak. Ez szinte pontosan nyomon követi a memória-sávszélességet — egy kártya, amelynek kétszer akkora a sávszélessége, körülbelül kétszer olyan gyorsan generál.

A belső architektúrája nincs nyilvántartásban, így a memória a paraméterek száma alapján van megbecsülve és ennek megfelelően van megjelölve. Várhatóan a tényleges érték eltér, különösen hosszú CONTEXT LENGTH esetén.

Hogyan lett betanítva

A létrehozásához körülbelül összesítő aritmetikára volt szükség. 7.8 × 10¹⁹ FLOP, hardveren rögzítve Google TPU v3. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.

Körülbelül egy korpuszon lett betanítva 596,320,321,536 szöveg tokenjei

A kiválasztási kritériuma: highly cited,SOTA improvement.

Lépésről lépésre

Hogyan válasszunk GPU-t a Denoising Diffusion Probabilistic Models (LSUN Bedroom)

A fenti táblázat már értékelte az összes kártyát, amelynek specifikációi elérhetők ennek a modellen. A válaszod megszerzése hat lépést igényel..

01

Olvasd el a MEMORY adatokat először.

Minden kártyát itt leellenőriztünk a következőkkel szemben Denoising Diffusion Probabilistic Models (LSUN Bedroom), körülbelül szükséges 1.0 GB a tömörítésnél Q8_0. Ez a szám, nem a kártya címválaszték teljesítménye, az, ami eldönti, hogy fut-e.
02

Állítsa be a használt CONTEXT LENGTH-et.

Állítsa be a kontextust arra, amit valójában használni fog. A cache a beszélgetéssel nő, és ez a szokásos oka annak, hogy egy kártya, amelynek korábban rendben kellett volna lennie, egyszer csak nem fér el. Denoising Diffusion Probabilistic Models (LSUN Bedroom).
03

Döntsd el, mennyi tömörítést fogadsz el.

A kvantálási oszlop kártyánként változik, mert egy nagyobb kártya pontosabb másolatot tartalmaz., elérni egy tömörítést a Q8_0 a legkisebb kártyán, ami elfér. A minimális minőség beállítása eldobja azokat a kártyákat, amelyek csak úgy tudják kezelni, hogy tovább szorítanak, mint amit szeretnél, és egy szinten tartja az összehasonlítást.
04

Rendezés sebesség szerint

Rendezze sebesség szerint, hogy lássa, hogyan rangsorolnak a kártyák. Denoising Diffusion Probabilistic Models (LSUN Bedroom). Nem fog illeszkedni egy gaming rendeléshez, mert a generálás a memória sávszélesség által kötött. A listát vezető KÁRTYA B200, at 13,235 tok/s
05

Nézd a mozgásteret, ne csak a passzolást.

Tömör jelentése, hogy betölti és működik, nincs hely a későbbi kontextus növelésére, a következő esetben Denoising Diffusion Probabilistic Models (LSUN Bedroom). A Kényelmes azt jelenti, hogy később bővítheted a contextet. Ez a különbség fontosabb, mint néhány token másodpercenként, így kényelmeset vásárolj, ha ezt várod.
06

Nyisd meg a kiválasztott kártyát.

Minden kártyaoldal megismétli ezt a vizsgálatot minden modellre, amelyet birtoklunk, válaszolva arra, hogy mi másra jó a hardver, azon kívül, hogy Denoising Diffusion Probabilistic Models (LSUN Bedroom).

Válaszok

Denoising Diffusion Probabilistic Models (LSUN Bedroom) — gyakori kérdések

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— mennyi idő alatt fut a GPU-n?

A kártyától függ. A leggyorsabb, amit számolunk, az B200, körülbelül 13,235 tokenek másodpercenként; a leglassabb, ami még fut, jelentősen kevesebbet képes kezelni. Az olvasási sebesség körülbelül tíz token másodpercenként, és a kártyák száma, amelyek ezt meg tudják tisztítani: 818.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— mennyi VRAM-ra van szüksége?

Kb. 1.0 GB tömörítési arányban Q8_0, melyik az a legkisebb KÁRTYA, amelyik futtatni tudja. Kevesebb tömörítés több szükséges: a fentebbi memória oszlop számai minden KÁRTYÁRA újraszámításra kerülnek, mert mindegyik tartalmazza a legkevésbé tömörített verziót, amit csak tud.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— futtathatom egy GPU-n tartva 8 GB?

Igen. A KÁRTYA CMP 170HX 8 GB, tartás 8 GB, futtatja egy tömörítési arány mellett Q8_0, használva körülbelül 1.0 GB és körülbelül generálás 2,465 másodpercenkénti tokenek. A illeszkedés kényelmes.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— futtathatom egy GPU-n tartva 12 GB?

Igen. A KÁRTYA GeForce RTX 3080 Ti, tartás 12 GB, futtatja egy tömörítési arány mellett Q8_0, használva körülbelül 1.0 GB és körülbelül generálás 1,509 másodpercenkénti tokenek. A illeszkedés kényelmes.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— futtathatom egy GPU-n tartva 16 GB?

Igen. A KÁRTYA Tesla V100 SXM2 16 GB, tartás 16 GB, futtatja egy tömörítési arány mellett Q8_0, használva körülbelül 1.0 GB és körülbelül generálás 1,869 másodpercenkénti tokenek. A illeszkedés kényelmes.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— futtathatom egy GPU-n tartva 24 GB?

Igen. A KÁRTYA GeForce RTX 5090 D V2, tartás 24 GB, futtatja egy tömörítési arány mellett Q8_0, használva körülbelül 1.0 GB és körülbelül generálás 2,217 másodpercenkénti tokenek. A illeszkedés kényelmes.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— Nyílt forráskódú?

Súlyai közzétételre kerültek, így letölthető és futtatható a saját hardvereden. Ne feledd, hogy az open weight nem azonos az open source teljes értelmében — nem mond semmit a tanulási adatokkal, a tanulási kóddal vagy a kereskedelmi feltételekkel kapcsolatban.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— Hány paramétere van?

Paraméterszáma 256M. Appendix B: " Our CIFAR10 model has 35.7 million parameters, and our LSUN and CelebA-HQ models have 114 million parameters. We also trained a larger variant of the LSUN Bedroom model with approximately 256 million parameters by increasing filter count.". 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— Ki készítette ezt?

Kiadta University of California (UC) Berkeley, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— Mikor adták ki?

Kibocsátották a June 2021. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— Mire használják?

Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot image generation. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— Hol tudom letölteni?

A súlyok közzététele megtörtént, bár nem rendelkezünk tárolólinkkel erre. Ez az oldal a hardverkövetelményeket számítja ki, nem pedig modellfájlokat tárol.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— mennyi számítási kapacitást használtak annak a betanításához?

A képzés körülbelül elfogyasztott 7.8 × 10¹⁹ FLOP, hardveren rögzítve Google TPU v3. 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.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— Futtathatom, ha nem fér el a GPU-mban?

Csak a terhelés áthelyezésével, amely általában téves gazdaságosság: a rendszermemóriában tárolt rész az egészet visszahúzza. Minden ábra azt feltételezi, hogy az egész model a kártyán tartózkodik.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— Futtatna-e két GPU gyorsabban?

Két kártya memóriát vásárol, nem sebességet, ami csak akkor számít, ha az egyik kártya nem tudja tartani. Az a szám, ami tudja: 818. Tehát egy második KÁRTYA ritkán a megoldás itt.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— miért különbözik a kvantálás a kártyák között?

Mivel a kapacitás változik, úgy az is, hogy mennyire kell összenyomni. A fenti táblázatban lévő különböző szintek száma: 1. A nagyobb kártyák a pontosabb verziót kapják, és a minőségi küszöb felett a összehasonlítást egy szinten rögzíti.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— Mennyire pontosak ezek a sebességbecslések?

Ezek becslések valós hibahatárokkal, és bármelyikük ésszerűen bárhol elhelyezkedhet a közzétett tartományán belül, attól függően, hogy milyen futtatási időt használsz. A leggyorsabb eredmény itt: 7,941–21,176 tok/s a fájlban B200. Ugyanaz a modell és kártya harminc és ötven százalék között változik a következtetési szoftvertől és annak verziójától függően.

Denoising Diffusion Probabilistic Models (LSUN Bedroom)— Milyen GPU-ra van szükségem, hogy futtathassam?

A katalógusunk legkisebb kártyája, ami ezt tartja, az Tesla C1080, memória kapacitással rendelkezik 4 GB. A modell egy tömörítéssel fut. Q8_0 használva körülbelül 1.0 GB, és körülbelül 144 másodpercenkénti tokenek. A kártyák összes száma, amelyek képesek futtatni. 818.

Forrás

Eredeti kiadvány

Az utolsó frissítés időpontja 25 May 2026

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..

Minden AI modell