Image generation
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 Amsterdam
- Tipo di organizzazione
- Academia
- Paese
- Netherlands
- Pubblicato
- 20 December 2013
- Autori
- DP Kingma, M Welling
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Image clustering
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
- 784K
- Dati di addestramento
- 47,040,000 tokens
"We trained generative models (decoders) and corresponding encoders (a.k.a. recognition models) having 500 hidden units in case of MNIST" 784*500*2=784000 (Ignoring latent dimension)
"We trained generative models of images from the MNIST and Frey Face datasets" MNIST has 60k images https://en.wikipedia.org/wiki/MNIST_database Frey Face has 2k images https://cs.nyu.edu/~roweis/data.html
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 4.8 × 10¹⁴ FLOP
- Come è stato stabilito
- Third-party estimation
From https://openai.com/blog/ai-and-compute/ Appendix "less than 0.0000055 pfs-days" (86400*10^15*0.0000055) Figure 2 shows evaluations with 10^8 training samples 6*784000*100000000=470400000000000
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- Highly cited
- Record fiducia
- Confident
- Citazioni
- 21,760
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Auto-Encoding Variational Bayes
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Sfondo
Image generation è stato pubblicato da University of Amsterdam, nel paese registrato come Netherlands, durante December 2013. Esce da un'organizzazione categorizzata come academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image clustering.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Cosa è stato necessario per costruirlo
La produzione di esso ha richiesto un'aritmetica totale di circa 4.8 × 10¹⁴ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il set di addestramento si aggirava attorno a 47,040,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: highly cited.
Risposte
Image generation — domande comuni
Image generation— quanti parametri ha?
Ha un numero di parametri di 784K. "We trained generative models (decoders) and corresponding encoders (a.k.a. recognition models) having 500 hidden units in case of MNIST" 784*500*2=784000 (Ignoring latent dimension). 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.
Image generation— chi l'ha creato?
È stato pubblicato da University of Amsterdam, basato su Netherlands, un'organizzazione categorizzata come academia.
Image generation— quando è stato rilasciato?
È stato pubblicato in December 2013. 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.
Image generation— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di image clustering. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
Image generation— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 4.8 × 10¹⁴ FLOP. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
Image generation— 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.
Image generation— 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.
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.