SPN (ImageNet 128)
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
- Google Brain,DeepMind
- Szervezet típusa
- Industry,Industry
- Ország
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Közölt
- 4 December 2018
- Szerzők
- Jacob Menick, Nal Kalchbrenner
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Image generation
- 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
- 250M
- Képzési adatok
- 251,658,240,000 tokens
250M (Table 4)
batch size: 2048
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
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
- Képzés kód
- Unreleased
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- SOTA improvement
- Nyilvántartási bizalom
- Confident
"state-of-the-art log-likelihoods at 128x128 by a large margin"
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Generating High Fidelity Images with Subscale Pixel Networks and Multidimensional Upscaling
- Utoljára frissítve
- 11 February 2026
Mit jelentenek a számok
Háttér
SPN (ImageNet 128) ki lett adva által Google Brain,DeepMind, az országban rögzítve mint United States of America, alatt December 2018. Egy olyan szervezetből származik, amelyet kategorizálnak mint industry,Industry.
Működik a területen a Image generation, és úgy van rögzítve, mint a feladat végrehajtása image generation.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Hogyan lett betanítva
Körülbelül egy korpuszon lett betanítva 251,658,240,000 szöveg tokenjei
Az oka, hogy egyáltalán megjelenik ebben a katalógusban: sOTA improvement.
Válaszok
SPN (ImageNet 128) — gyakori kérdések
SPN (ImageNet 128)— Mire használják?
Működik a területen a Image generation, 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.
SPN (ImageNet 128)— 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.
SPN (ImageNet 128)— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
SPN (ImageNet 128)— Hány paramétere van?
Paraméterszáma 250M. 250M (Table 4). 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.
SPN (ImageNet 128)— Ki készítette ezt?
Kiadta Google Brain,DeepMind, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry,Industry.
SPN (ImageNet 128)— Mikor adták ki?
Kibocsátották a December 2018. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
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..