Image generation
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- University of Amsterdam
- Typ organizacji
- Academia
- Kraj
- Netherlands
- Opublikowany
- 20 December 2013
- Autorzy
- DP Kingma, M Welling
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Image clustering
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 784K
- Dane treningowe
- 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
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 4.8 × 10¹⁴ FLOP
- Jak to zostało ustalone
- 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
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- Highly cited
- Zapisz pewność
- Confident
- Cytaty
- 21,760
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Auto-Encoding Variational Bayes
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Tło
Image generation został opublikowany przez University of Amsterdam, w kraju zapisanym jako Netherlands, podczas December 2013. Wychodzi z organizacji zaklasyfikowanej jako academia.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie image clustering.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Co poszło w budowę tego
Wytworzenie tego wymagało arytmetyki sumującej około 4.8 × 10¹⁴ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Zbiór treningowy trwał około 47,040,000 Tokeny tekstu.
Jest śledzone w podstawowym zbiorze danych z jednego szczególnego powodu: highly cited.
Odpowiedzi
Image generation — częste pytania
Image generation— ile ma parametrów?
Ma liczbę parametrów równą 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). Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
Image generation— kto to stworzył?
Zostało opublikowane przez University of Amsterdam, oparty na Netherlands, organizacja sklasyfikowana jako academia.
Image generation— kiedy to zostało wydane?
Zostało opublikowane w December 2013. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Image generation— do czego to służy?
Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie image clustering. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
Image generation— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 4.8 × 10¹⁴ FLOP. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
Image generation— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
Image generation— czy jest open weight?
Licencja nigdy nie została zarejestrowana w naszych danych źródłowych. Traktujemy niewskazaną licencję jako zamkniętą, ponieważ niezarejestrowana licencja nie jest na którą można polegać.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.