DARTS
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
- DeepMind,Carnegie Mellon University (CMU)
- Typ organizace
- Industry,Academia
- Země
- United Kingdom of Great Britain and Northern Ireland, United States of America
- Publikováno
- 24 June 2018
- Autoři
- Hanxiao Liu, Karen Simonyan, Yiming Yang
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling, Neural Architecture Search - NAS
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 33M
- Výcviková data
- 2,000,000 tokens
- Epochy
- 300
33M (Table 4) - parameters reported for PTB, but they say it is the same for WT-2 " WIKITEXT-2 We use embedding and hidden sizes 700, weight decay 5×10−7, and hidden-node variational dropout 0.15. Other hyperparameters remain the same as in our PTB experiments."
300 epochs for PTB (supposedly the same for WT-2
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
- 3.2 × 10¹⁷ FLOP
- Jak bylo ustanoveno
- Operation counting,Hardware
6 FLOP / parameter / token * 33000000 parameters * 2000000 tokens * 300 epochs = 1.188e+17 FLOP 11340000000000 FLOP / second / GPU * 1 GPU * 72 hours * 3600 sec / hour * 0.3 [assumed utilization] = 8.817984e+17 FLOP sqrt(1.188e+17*8.817984e+17) = 3.2366286e+17 FLOP 'Speculative' confidence since many variables are assumed based on PTB model training
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA GeForce GTX 1080 Ti
- Používané čipy
- 1
- Doba reálného času
- 72 hours
- Příkon
- 285 W
for PTB (they say WT-2 training is similar): The training takes 3 days on a single 1080Ti GPU with our PyTorch implementation 3*24 = 72 hours
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
apache 2, training/test for wikitext: https://github.com/quark0/darts/tree/master/rnn
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Speculative
- Citace
- 4,929
- Benchmark data
- DARTS
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- DARTS: Differentiable Architecture Search
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
O tomto modelu
DARTS byl zveřejněn DeepMind,Carnegie Mellon University (CMU), v zemi zaznamenané jako United Kingdom of Great Britain and Northern Ireland, během June 2018. Vydavatelská organizace je kategorizována jako industry,Academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling, Neural Architecture Search - NAS.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Trénink a původ
Trenovací běh spotřeboval asi 3.2 × 10¹⁷ FLOP, na hardwaru zaznamenáno jako NVIDIA GeForce GTX 1080 Ti. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 2,000,000 tokeny textu
Odpovědi
DARTS — běžné otázky
DARTS— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling, Neural Architecture Search - NAS. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
DARTS— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 3.2 × 10¹⁷ FLOP, na hardwaru zaznamenáno jako NVIDIA GeForce GTX 1080 Ti. 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.
DARTS— 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.
DARTS— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
DARTS— kolik má parametrů?
Má počet parametrů 33M. 33M (Table 4) - parameters reported for PTB, but they say it is the same for WT-2 " WIKITEXT-2 We use embedding and hidden sizes 700, weight decay 5×10−7, and hidden-node variational dropout 0.15. Other hyperparameters remain the same as in our PTB experiments.". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
DARTS— Kdo to vytvořil?
Bylo to publikováno společností DeepMind,Carnegie Mellon University (CMU), zakládající se na United Kingdom of Great Britain and Northern Ireland, organizace zařazená jako industry,Academia.
DARTS— Kdy byl vydán?
Bylo to zveřejněno v June 2018. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
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.