DFN Public

🚀 CLIP (Contrastive Language - Image Pre - training) ViT - B/32モデル

このモデルは、Conceptual Captions 12M、Conceptual Captions 3M、およびShutterstock 15Mのデータセットで学習されたCLIP (Contrastive Language - Image Pre - training) ViT - B/32モデルです。Data Filtering Networks (DFNs) は、未整理の大量データを自動的にフィルタリングするために使用される小規模なネットワークです。このモデルは、公開されているデータで学習されたDFNです。また、このモデルはAxlearn (https://github.com/apple/axlearn) の元のJAXチェックポイントからPyTorchに変換されています。

📚 ドキュメント

モデルの詳細

引用

@article{fang2023data,
  title={Data Filtering Networks},
  author={Fang, Alex and Jose, Albin Madappally and Jain, Amit and Schmidt, Ludwig and Toshev, Alexander and Shankar, Vaishaal},
  journal={arXiv preprint arXiv:2309.17425},
  year={2023}
}

📄 ライセンス

このモデルは、apple - sample - code - license のライセンスの下で提供されています。