PixelCNNs sind eine kürzlich vorgeschlagene Klasse leistungsfähiger generativer Modelle mit berechenbarer Likelihood. In diesem Artikel diskutieren wir unsere Implementierung von PixelCNNs, die unter https://github.com/openai/pixel-cnn zur Verfügung gestellt wird. Unsere Implementierung enthält mehrere Änderungen am ursprünglichen Modell, die sowohl dessen Struktur vereinfachen als auch die Leistung verbessern:1) Wir verwenden eine diskretisierte Logistik-Mischungs-Likelihood für die Pixel anstelle einer 256-Wege-Softmax, was das Training beschleunigt.2) Wir bedingen uns auf ganze Pixel anstelle von R/G/B-Sub-Pixeln, was die Modellstruktur vereinfacht.3) Wir nutzen Downsampling, um Strukturen in verschiedenen Auflösungen effizient zu erfassen.4) Wir führen zusätzliche Short-Cut-Verbindungen ein, um die Optimierung weiter zu beschleunigen.5) Wir regularisieren das Modell durch den Einsatz von Dropout.Zum Abschluss präsentieren wir Stand-of-the-Art-Ergebnisse der Log-Likelihood auf CIFAR-10, um die Nützlichkeit dieser Änderungen zu demonstrieren.