6-Layer-Tensor-Transformer+AdaHessian
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- NERSC, Lawrence Berkeley National Laboratory,University of California (UC) Berkeley
- Typ organizace
- Government,Academia
- Země
- United States of America
- Publikováno
- 1 June 2020
- Autoři
- Zhewei Yao, Amir Gholami, Sheng Shen, Mustafa Mustafa, Kurt Keutzer, Michael W. Mahoney
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 85.5M
- Výcviková data
- 103,000,000 tokens
- Epochy
- 30
" Following [35], a three-layer tensorized transformer core-1 for PTB and a six-layer tensorized transformer core-1 for Wikitext-103 are used in the experiments" [35] Ma, X.; Zhang, P.; Zhang, S.; Duan, N.; Hou, Y.; Zhou, M.; and Song, D. 2019. A tensorized transformer for language modeling. In Advances in Neural Information Processing Systems, 2229–2239. https://arxiv.org/pdf/1906.09777 Tensorized transformer has 85.5M parameters
batch size 120 10^7 steps (Figure 10)
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 1.6 × 10¹⁸ FLOP
- Jak bylo ustanoveno
- Operation counting
6 FLOP / parameter / token * 85500000 parameters * 103000000 tokens * 30 epochs = 1.58517e+18 FLOP
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Open source
MIT for code. doesn't have training script for WT103 but looks fairly adaptable: https://github.com/amirgholami/ADAHESSIAN
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Confident
- Citace
- 365
- Benchmark data
- 6-Layer-Tensor-Transformer+AdaHessian
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- ADAHESSIAN: An Adaptive Second Order Optimizer for Machine Learning
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Odkud to přišlo
6-Layer-Tensor-Transformer+AdaHessian byl zveřejněn NERSC, Lawrence Berkeley National Laboratory,University of California (UC) Berkeley, v zemi zaznamenané jako United States of America, během June 2020. Vychází z organizace, která je kategorizována jako government,Academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Trénink a původ
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 1.6 × 10¹⁸ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Tréninková sada běžela na přibližně 103,000,000 tokeny textu
Odpovědi
6-Layer-Tensor-Transformer+AdaHessian — běžné otázky
6-Layer-Tensor-Transformer+AdaHessian— Kdo to vytvořil?
Bylo to publikováno společností NERSC, Lawrence Berkeley National Laboratory,University of California (UC) Berkeley, zakládající se na United States of America, organizace zařazená jako government,Academia.
6-Layer-Tensor-Transformer+AdaHessian— Kdy byl vydán?
Bylo to zveřejněno v June 2020. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
6-Layer-Tensor-Transformer+AdaHessian— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
6-Layer-Tensor-Transformer+AdaHessian— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1.6 × 10¹⁸ FLOP. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
6-Layer-Tensor-Transformer+AdaHessian— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
6-Layer-Tensor-Transformer+AdaHessian— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
6-Layer-Tensor-Transformer+AdaHessian— kolik má parametrů?
Má počet parametrů 85.5M. " Following [35], a three-layer tensorized transformer core-1 for PTB and a six-layer tensorized transformer core-1 for Wikitext-103 are used in the experiments" [35] Ma, X.; Zhang, P.; Zhang, S.; Duan, N.; Hou, Y.; Zhou, M.; and Song, D. 2019. A tensorized transformer for language modeling. In Advances in Neural Information Processing Systems, 2229–2239. https://arxiv.org/pdf/1906.09777 Tensorized transformer has 85.5M parameters. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.