MaskGIT (ImageNet)
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Google Research
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 8 February 2022
- Autori
- Huiwen Chang, Han Zhang, Lu Jiang, Ce Liu, William T. Freeman
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Image generation
- Compito
- Image generation, Image-to-image
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 227M
- Dati di addestramento
- tokens
- Epoche
- 300
227M Table 1
"For each dataset, we only train a single autoencoder, decoder, and codebook with 1024 tokens on cropped 256x256 images for all the experiments. The image is always compressed by a fixed factor of 16, i.e. from H ˆW to a grid of tokens in the size of h ˆ w, where h=H{16 and w=W{16. We find that this autoencoder, together with the codebook, can be reused to synthesize 512ˆ512 images." "All models are trained on 4x4 TPU devices with a batch size of 256. ImageNet models are trained for 300 epochs …
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Chip utilizzati
- 16
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- SOTA improvement
- Record fiducia
- Confident
"Our experiments demonstrate that MaskGIT significantly outperforms the state-of-the-art transformer model on the ImageNet dataset, and accelerates autoregressive decoding by up to 64x"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- MaskGIT: Masked Generative Image Transformer
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Informazioni su questo modello
MaskGIT (ImageNet) è stato pubblicato da Google Research, nel paese registrato come United States of America, durante February 2022. Esce da un'organizzazione categorizzata come industry.
Funziona nel dominio di Image generation, ed è registrato come eseguire il compito di image generation, Image-to-image.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Come è stato addestrato
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
MaskGIT (ImageNet) — domande comuni
MaskGIT (ImageNet)— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
MaskGIT (ImageNet)— quanti parametri ha?
Ha un numero di parametri di 227M. 227M Table 1. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
MaskGIT (ImageNet)— chi l'ha creato?
È stato pubblicato da Google Research, basato su United States of America, un'organizzazione categorizzata come industry.
MaskGIT (ImageNet)— quando è stato rilasciato?
È stato pubblicato in February 2022. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
MaskGIT (ImageNet)— A cosa serve?
Funziona nel dominio di Image generation, e viene registrato come gestire il compito di image generation, Image-to-image. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
MaskGIT (ImageNet)— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.