VQGAN + CLIP
Geen schatting
Geen hardware-eisen voor dit model
Dit model's gewichten zijn open-source, maar er is geen parameter aantal gepubliceerd. Elk geheugen- en snelheidsfiguur begint vanaf dat nummer, dus we geven liever niets weer dan een gefabriceerde schatting..
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
- Heidelberg University
- Organisatietype
- Academia
- Land
- Germany
- Gepubliceerd
- 17 December 2020
- Auteurs
- Patrick Esser, Robin Rombach, Björn Ommer
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Image generation
- Taak
- Text-to-image
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.
- Training gegevens
- 251,988,480,000 tokens
I'm confused - I guess they pretrained on several different datasets? I think the model is also able to do zero-shot learning
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 https://github.com/CompVis/taming-transformers
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
- Highly cited,SOTA improvement
- Record vertrouwen
- Unknown
- Citaties
- 4,226
"The results shows that the transformer consistently outperforms PixelSNAIL across all tasks when trained for the same amount of time and the gap increases even further when trained for the same number of steps." "obtain the state of the art among autoregressive models on class-conditional ImageNet"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Taming Transformers for High-Resolution Image Synthesis
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Achtergrond
VQGAN + CLIP werd gepubliceerd door Heidelberg University, in het land geregistreerd als Germany, tijdens December 2020. 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 text-to-image.
Gepubliceerde gewichten betekenen dat het model op jouw machine draait in plaats van op die van iemand anders, wat de hardwarevraag hieronder op enige manier beantwoordbaar maakt.
Wat erin ging zitten om het te bouwen
De trainingsset liep naar ongeveer 251,988,480,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: highly cited,SOTA improvement.
Antwoorden
VQGAN + CLIP — veelgestelde vragen
VQGAN + CLIP— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
VQGAN + CLIP— wie heeft het gemaakt?
Het werd gepubliceerd door Heidelberg University, gebaseerd op Germany, een organisatie geclassificeerd als academia.
VQGAN + CLIP— wanneer is het uitgebracht?
Het werd gepubliceerd in December 2020. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
VQGAN + CLIP— waarvoor wordt het gebruikt?
Het werkt in het domein van Image generation, en wordt geregistreerd als het afhandelen van 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.
VQGAN + CLIP— 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.
VQGAN + CLIP— Welke GPU heb ik nodig om het te draaien?
We kunnen niets zeggen. Het heeft open weights, maar er is geen parameter telling gepubliceerd voor het, en elke memory en snelheid berekening begint vanaf dat nummer. We tonen liever niets dan een gefabriceerde schatting.
VQGAN + CLIP— 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.
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.