DDPM-IP (CelebA) TPS-rekenmachine

Open gewichten Utrecht University 295M parameters January 2023

Elke kaart hieronder wordt beoordeeld op basis van dit model met de contextlengte en minimale kwaliteit die je kiest. Snelheid is een schatting voor een enkele aanvraag, berekend op basis van de geheugendoorvoer van de kaart en de grootte van het model eenmaal gecomprimeerd..

Bereken voor dit model

818 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

Tesla C1080

4 GB · Q8_0 · 125 tok/s

Snelste kaart

B200

11,486 tok/s · 180 GB

Welke GPU's kunnen draaien DDPM-IP (CelebA)?

Stel de invoer in, lees het antwoord

Een langere conversatie heeft meer geheugen nodig, wat dit model van kleinere kaarten kan duwen..

Verbergt kaarten die alleen in het model passen door het onder dit punt te comprimeren.

818 kaarten passen

Berekenen
Heeft Kwantificatie Past
11,486 tok/s

6,891–18,377 · lage vertrouwen

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.0 GB Q8_0 Comfortabel
11,486 tok/s

6,891–18,377 · lage vertrouwen

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.0 GB Q8_0 Comfortabel
9,171 tok/s

5,503–14,674 · lage vertrouwen

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.0 GB Q8_0 Comfortabel
9,171 tok/s

5,503–14,674 · lage vertrouwen

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.0 GB Q8_0 Comfortabel
7,335 tok/s

4,401–11,736 · lage vertrouwen

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.0 GB Q8_0 Comfortabel
7,021 tok/s

4,212–11,233 · lage vertrouwen

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.0 GB Q8_0 Comfortabel
7,021 tok/s

4,212–11,233 · lage vertrouwen

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.0 GB Q8_0 Comfortabel
6,719 tok/s

4,031–10,750 · lage vertrouwen

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.0 GB Q8_0 Comfortabel
5,963 tok/s

3,578–9,541 · lage vertrouwen

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.0 GB Q8_0 Comfortabel
5,963 tok/s

3,578–9,541 · lage vertrouwen

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.0 GB Q8_0 Comfortabel
5,963 tok/s

3,578–9,541 · lage vertrouwen

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.0 GB Q8_0 Comfortabel
5,657 tok/s

3,394–9,051 · lage vertrouwen

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.0 GB Q8_0 Comfortabel
4,824 tok/s

2,894–7,718 · lage vertrouwen

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Comfortabel
4,824 tok/s

2,894–7,718 · lage vertrouwen

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.0 GB Q8_0 Comfortabel
4,824 tok/s

2,894–7,718 · lage vertrouwen

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Comfortabel
4,824 tok/s

2,894–7,718 · lage vertrouwen

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Comfortabel
4,824 tok/s

2,894–7,718 · lage vertrouwen

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.0 GB Q8_0 Comfortabel
3,673 tok/s

2,204–5,877 · lage vertrouwen

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.0 GB Q8_0 Comfortabel
3,673 tok/s

2,204–5,877 · lage vertrouwen

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.0 GB Q8_0 Comfortabel
3,061 tok/s

1,837–4,897 · lage vertrouwen

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.0 GB Q8_0 Comfortabel
2,996 tok/s

1,797–4,793 · lage vertrouwen

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.0 GB Q8_0 Comfortabel
2,929 tok/s

1,757–4,686 · lage vertrouwen

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.0 GB Q8_0 Comfortabel
2,929 tok/s

1,757–4,686 · lage vertrouwen

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.0 GB Q8_0 Comfortabel
2,929 tok/s

1,757–4,686 · lage vertrouwen

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.0 GB Q8_0 Comfortabel
2,929 tok/s

1,757–4,686 · lage vertrouwen

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.0 GB Q8_0 Comfortabel

Snelheden zijn schattingen voor een enkele aanvraag — één gesprek tegelijk — berekend vanuit geheugendebandbreedte, modelgrootte en kwantisatie. De werkelijke doorvoer varieert met de inferentietijd en de versie ervan. Cijfers gepubliceerd door hardwareleveranciers meten veel gelijktijdige aanvragen en zijn veel hoger.

Op record

Volledige specificatie

Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..

Oorsprong

Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.

Organisatie
Utrecht University
Organisatietype
Academia
Land
Netherlands
Gepubliceerd
27 January 2023
Auteurs
Mang Ning, Enver Sangineto, Angelo Porrello, Simone Calderara, Rita Cucchiara

Wat het doet

De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.

Domein
Image generation
Taak
Image generation, Text-to-image
Numerieke indeling
FP16

Grootte

Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.

parameters
295M

295M for CelebA model, per Table 9

Training gegevens
831,488,000 tokens
Epochs
681

Training rekenen

De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.

Training rekenen
3.5 × 10²⁰ FLOP

"We use Pytorch 1.8 (Paszke et al., 2019) and trained all the models on different NVIDIA Tesla V100s (16G memory). In more detail, we use 2 GPUs to train the models on CIFAR10 for 2 days, and 4 GPUs to train the models on ImageNet 32×32 for 34 days. For LSUN tower 64×64, CelebA 64×64 and FFHQ 128×128, we used 16 GPUs to train the models for 3 days, 5 days and 4 days, respectively" 5*16 V100-days for CelebA. 5 * 16 * 24 * 3600 * 125 teraflops * 0.4 ~= 3.5e20

Hoe het werd opgericht
Hardware

De trainingsrun

Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.

Training hardware
NVIDIA V100
Kloktijd
120 hours

5 days

Rekenkosten
$390

Beschikbaarheid

Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.

Gewichten
Open — downloadable
Toegang tot model
Open weights (unrestricted)
Training code
Open source

MIT license

Hoe het is geclassificeerd

Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.

Waarom het wordt gevolgd
SOTA improvement

"For instance, on CelebA 64×64, we achieve a new state-of-theart FID score of 1.27, while saving 37.5% of the training time"

Record vertrouwen
Likely
Citaties
102

Bronnen

Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.

Referentie
Input Perturbation Reduces Exposure Bias in Diffusion Models
Laatst bijgewerkt
25 May 2026

De extremen

De tien snelste GPU's die draaien DDPM-IP (CelebA)

Gerangschikt op geschatte tokens per seconde, nieuwste kaart eerst waar snelheden gelijk zijn. Omdat generatie gebonden is aan geheugensnelheid, volgt deze ordening de snelheid in plaats van een gamebenchmark..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 11,486 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 11,486 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 9,171 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 9,171 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 7,335 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 7,021 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 7,021 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 6,719 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 5,963 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 5,963 tok/s

De kleinste GPU's die nog steeds draaien DDPM-IP (CelebA)

De goedkoopste route erin, op basis van geheugencapaciteit. Een krappe pasvorm draait het model maar laat niets over voor een langer gesprek..

  1. 01 GeForce RTX 4010 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 138 tok/s
  2. 02 RTX A400 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 138 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 184 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 276 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 49.0 tok/s
  6. 06 Radeon RX 6450M 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 143 tok/s
  7. 07 Radeon RX 6550M 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 161 tok/s
  8. 08 Radeon RX 6550S 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 143 tok/s
  9. 09 Arc A310 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 116 tok/s
  10. 10 Arc Pro A30M 4 GB · Heeft 1.0 GB · Q8_0 · Comfortabel 119 tok/s

Wat de cijfers betekenen

De hardwarekant

Minimum kaart

Tesla C1080

Geheugen nodig

1.0 GB

Snelste

11,486 tok/s

DDPM-IP (CelebA) bereikt een parameter telling van 295M. Dat is klein genoeg zodat hardware zelden de obstakel is, inclusief op kaarten van enkele jaren oud. Het aantal kaarten dat we volgen die het kunnen draaien: 818.

Aan de onderkant wordt het afgehandeld door Tesla C1080, met een geheugen capaciteit van 4 GB, het draaien ervan met een compressie van Q8_0 en produceren rond 125 tokens per seconde

De snelste we er voor berekenen is B200, genereren ongeveer 11,486 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Waar het vandaan kwam

DDPM-IP (CelebA) werd gepubliceerd door Utrecht University, in het land geregistreerd als Netherlands, tijdens January 2023. De categorie waaronder de uitgever valt is academia.

Het werkt in het domein van Image generation, en wordt geregistreerd als het uitvoeren van de taak van image generation, Text-to-image.

De gewichten zijn gepubliceerd, zodat ze gedownload en onbeperkt, offline, op je eigen hardware kunnen worden uitgevoerd, zonder dat er een account aan verbonden is.

Begrijpen van de snelheden

De helft van de kaarten die het vasthouden, beheren meer dan 322.5 tokens per seconde. 818 van hen

Elke gewicht participeert in elke token hier, dus bandbreedte is het hele verhaal: de ranking hieronder is effectief een ranking van geheugendoorvoer.

Zonder de aandachtlay-out op record, is de geheugen kolom een benadering. Het is dicht genoeg om hardware te kiezen, en het minst betrouwbaar bij lange context.

Wat erin ging zitten om het te bouwen

Het produceren ervan vereiste een rekenkundige totaal van ongeveer 3.5 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA V100. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

De trainingsset liep naar ongeveer 831,488,000 tekstokens

De inclusiecriteria: sOTA improvement.

Stap voor stap

Hoe een GPU te kiezen voor DDPM-IP (CelebA)

De tabel hierboven heeft elke kaart die we specificaties voor hebben al vergeleken met dit model. Het bereiken van uw antwoord kost zes stappen..

  1. 01

    Begin vanuit de geheugen kolom

    Begin met wat het eigenlijk nodig heeft, namelijk de vereiste van DDPM-IP (CelebA), ongeveer nodig 1.0 GB bij een compressie van Q8_0. De capaciteit is de poort — een GPU-kaart houdt het of het houdt het niet.

  2. 02

    Stel de contextlengte in waarmee je gaat werken

    Langere gesprekken kosten geheugen bovenop wat de gewichten nodig hebben. Verplaats de schuifregelaar naar je echte werklengte voordat je een rij vertrouwt voor DDPM-IP (CelebA).

  3. 03

    Kies hoe ver je het wilt comprimeren

    De kwantisatiekolom varieert per CARD, omdat een grotere CARD een nauwkeuriger kopie vasthoudt., bereiken van een compressie van Q8_0 op de kleinste kaart die past. Het instellen van een minimumkwaliteit laat de kaarten vallen die het alleen maar beheersen door verder te persen dan je zou willen, en houdt de vergelijking op één niveau.

  4. 04

    Sorteer op snelheid

    Ranking op basis van tokens per seconde volgt geheugenbandbreedte in plaats van kernaantal, voor DDPM-IP (CelebA). Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 11,486 tok/s

  5. 05

    Lees de passen kolom laatst

    Een strakke pasvorm draait, maar laat niets over voor een langer gesprek, in het geval van DDPM-IP (CelebA). Comfortabel betekent dat je de context later kunt vergroten. Dat verschil is belangrijker dan een paar tokens per seconde, dus koop voor comfortabel als je dat verwacht.

  6. 06

    Open de kaart die je hebt gekozen.

    Elke kaartpagina herhaalt deze scan voor elk model dat we hebben, en beantwoordt waarvoor de hardware verder goed is naast DDPM-IP (CelebA).

Antwoorden

DDPM-IP (CelebA) — veelgestelde vragen

01

DDPM-IP (CelebA)— wanneer is het uitgebracht?

Het werd gepubliceerd in January 2023. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.

02

DDPM-IP (CelebA)— waarvoor wordt het gebruikt?

Het werkt in het domein van Image generation, en wordt geregistreerd als het afhandelen van image generation, Text-to-image. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.

03

DDPM-IP (CelebA)— waar kan ik het downloaden?

De gewichten zijn gepubliceerd, hoewel we geen repositorylink daarvoor hebben. Deze site berekent hardwarevereisten in plaats van modelbestanden te hosten.

04

DDPM-IP (CelebA)— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 3.5 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA V100. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.

05

DDPM-IP (CelebA)— kan ik het draaien als het niet in mijn GPU past?

Alleen door af te laden, wat meestal een valse economie is: het deel dat in systeemgeheugen wordt vastgehouden, houdt het hele ding tegen. Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

06

DDPM-IP (CelebA)— Zouden twee GPU's het sneller draaien?

Een tweede kaart verdubbelt ruwweg het beschikbare geheugen, maar niet de generatie snelheid. Het aantal dat al in staat is om het alleen te draaien: 818. Dus een tweede card is zelden het antwoord hier.

07

DDPM-IP (CelebA)— waarom verschilt de quantisatie tussen kaarten?

Omdat de capaciteit varieert, varieert ook hoe hard het moet worden samengedrukt. Het aantal onderscheidende niveaus in de bovenstaande tabel: 1. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

08

DDPM-IP (CelebA)— hoe nauwkeurig zijn deze snelheidsschattingen?

Elke waarde is afgeleid van het geheugenbandbreedte en de modelgrootte, niet geverifieerd, wat de reden is dat elke waarde als een bereik in plaats van een enkel getal wordt gepubliceerd. Eén voorbeeld: 6,891–18,377 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

09

DDPM-IP (CelebA)— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is Tesla C1080, met een geheugen capaciteit van 4 GB. Het draait het model op een compressie van Q8_0 ongeveer 1.0 GB, en produceert ongeveer 125 tokens per second. Het aantal kaarten dat het totaal kan draaien: 818.

10

DDPM-IP (CelebA)— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 11,486 tokens per seconde; de langzaamste die het nog steeds draait haalt aanzienlijk minder. De leessnelheid is rond de tien tokens per seconde, en het aantal kaarten dat dat haalt: 818.

11

DDPM-IP (CelebA)— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 1.0 GB bij een compressie van Q8_0, welke is wat de kleinste card die het draait gebruikt. Minder compressie heeft meer nodig: de cijfers in de memory-kolom hierboven worden opnieuw berekend voor elke card, omdat elke card de minst gecomprimeerde versie kan vasthouden.

12

DDPM-IP (CelebA)— kan ik het draaien op een GPU met 8 GB?

Ja. De GPU kaart CMP 170HX 8 GB, houden 8 GB, draait het met een compressie van Q8_0, ongeveer 1.0 GB en genereren ongeveer 2,139 tokens per second. De fit is comfortabel.

13

DDPM-IP (CelebA)— kan ik het draaien op een GPU met 12 GB?

Ja. De GPU kaart GeForce RTX 3080 Ti, houden 12 GB, draait het met een compressie van Q8_0, ongeveer 1.0 GB en genereren ongeveer 1,310 tokens per second. De fit is comfortabel.

14

DDPM-IP (CelebA)— kan ik het draaien op een GPU met 16 GB?

Ja. De GPU kaart Tesla V100 SXM2 16 GB, houden 16 GB, draait het met een compressie van Q8_0, ongeveer 1.0 GB en genereren ongeveer 1,622 tokens per second. De fit is comfortabel.

15

DDPM-IP (CelebA)— kan ik het draaien op een GPU met 24 GB?

Ja. De GPU kaart GeForce RTX 5090 D V2, houden 24 GB, draait het met een compressie van Q8_0, ongeveer 1.0 GB en genereren ongeveer 1,924 tokens per second. De fit is comfortabel.

16

DDPM-IP (CelebA)— is het open-source?

De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.

17

DDPM-IP (CelebA)— hoeveel parameters heeft het?

Het heeft een parameter telling van 295M. 295M for CelebA model, per Table 9. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.

18

DDPM-IP (CelebA)— wie heeft het gemaakt?

Het werd gepubliceerd door Utrecht University, gebaseerd op Netherlands, een organisatie geclassificeerd als academia.

Bron

Originele publicatie

Laatste update geregistreerd 25 May 2026

De andere richting

Van de andere kant bekijken?

Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.

Alle AI-modellen