Les PixelCNN sont une classe de modèles génératifs puissants et récemment proposés, dotés d'une vraisemblance calculable. Dans cet article, nous discutons de notre implémentation des PixelCNN que nous mettons à disposition sur https://github.com/openai/pixel-cnn. Notre implémentation comporte plusieurs modifications apportées au modèle original, qui simplifient sa structure et améliorent ses performances :1) Nous utilisons une vraisemblance mixte de logistic discrétisée sur les pixels, plutôt qu'un softmax à 256 voies, ce qui accélère l'entraînement.2) Nous conditionnons le modèle sur des pixels entiers, plutôt que sur des sous-pixels R/G/B, simplifiant ainsi la structure du modèle.3) Nous utilisons un échantillonnage par sous-échantillonnage pour capturer efficacement la structure à différentes résolutions.4) Nous introduisons des connexions de raccourci supplémentaires pour accélérer encore l'optimisation.5) Nous régularisons le modèle en utilisant le dropout.Enfin, nous présentons des résultats de log-vraisemblance d'état de l'art sur CIFAR-10 pour démontrer l'utilité de ces modifications.