PixelCNN
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 DeepMind
- Szervezet típusa
- Industry
- Ország
- United States of America
- Közölt
- 16 June 2016
- Szerzők
- Aaron van den Oord, Nal Kalchbrenner, Oriol Vinyals, Lasse Espeholt, Alex Graves, Koray Kavukcuoglu
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.
- Képzési adatok
- 15,728,640,000 tokens
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Használt chipek
- 32
- Fali óra idő
- 60 hours
We were able to achieve similar performance to the PixelRNN (Row LSTM [30]) in less than half the training time (60 hours using 32 GPUs).
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
- Unknown
- Hivatkozások
- 3,079
Best performance on NLL test.
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Conditional Image Generation with PixelCNN Decoders
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Erről a modelről
PixelCNN ki lett adva által Google DeepMind, az országban rögzítve mint United States of America, alatt June 2016. A kiadó szervezet a következő kategóriába tartozik industry.
Működik a területen a Vision, és úgy van rögzítve, mint a feladat végrehajtása image generation.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Mi került a felépítésébe
A képzés körülbelül egy korpuszt fogyasztott 15,728,640,000 szöveg tokenjei
Az oka, hogy egyáltalán megjelenik ebben a katalógusban: highly cited,SOTA improvement.
Válaszok
PixelCNN — gyakori kérdések
PixelCNN— 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.
PixelCNN— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
PixelCNN— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
PixelCNN— Ki készítette ezt?
Kiadta Google DeepMind, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry.
PixelCNN— Mikor adták ki?
Kibocsátották a June 2016. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
PixelCNN— Mire használják?
Működik a területen a Vision, és rögzítve van, hogy kezeli a feladatot 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.
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..