Flow++ (CIFAR10)
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
- University of California (UC) Berkeley,Covariant
- Tipo di organizzazione
- Academia,Industry
- Paese
- United States of America
- Pubblicato
- 15 May 2019
- Autori
- Jonathan Ho, Xi Chen, Aravind Srinivas, Yan Duan, Pieter Abbeel
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
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
- 31.4M
- Dati di addestramento
- tokens
- Epoche
- 400
Table 2: 31.4M
Training run for CIFAR10 ablations is ~400 epochs (Table 2)
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Chip utilizzati
- 8
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
- Codice di addestramento
- Open source
MIT license https://github.com/aravindsrinivas/flowpp
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Flow++: Improving Flow-Based Generative Models with Variational Dequantization and Architecture Design
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Da dove è venuto
Flow++ (CIFAR10) è stato pubblicato da University of California (UC) Berkeley,Covariant, nel paese registrato come United States of America, durante May 2019. La categoria sotto cui rientra l'editore è academia,Industry.
Funziona nel dominio di Image generation, ed è registrato come eseguire il compito di image generation.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Risposte
Flow++ (CIFAR10) — domande comuni
Flow++ (CIFAR10)— chi l'ha creato?
È stato pubblicato da University of California (UC) Berkeley,Covariant, basato su United States of America, un'organizzazione categorizzata come academia,Industry.
Flow++ (CIFAR10)— quando è stato rilasciato?
È stato pubblicato in May 2019. 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.
Flow++ (CIFAR10)— A cosa serve?
Funziona nel dominio di Image generation, e viene registrato come gestire il compito di image generation. 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.
Flow++ (CIFAR10)— 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.
Flow++ (CIFAR10)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Flow++ (CIFAR10)— quanti parametri ha?
Ha un numero di parametri di 31.4M. Table 2: 31.4M. 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.
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.