MedBERT
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Peng Cheng Laboratory,University of Texas at Houston
- Organisationsart
- Academia,Academia
- Land
- China, United States of America
- Veröffentlicht
- 20 May 2021
- Autoren
- Laila Rasmy, Yang Xiang, Ziqian Xie, Cui Tao, Degui Zhi
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Medicine
- Aufgabe
- Medical diagnosis, Text classification, Prediction of hospital stay duration, Prediction of diabetic heart failure (DHF), Prediction of onset of pancreatic cancer (PaCa)
- Numerisches Format
- FP32
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Parameter
- 17M
- Trainingsdaten
- 14,587,212,800 tokens
- Epochen
- 50.5
17M from "This is possibly due to the fact that the untrained Med-BERT is an over-parameterized model (around 17 million parameters) with a huge number of configurations, so it might overfit to the training data"
data about 28M patients "Our pretraining cohort for Med-BERT is consisting of 28 million patients extracted from Cerner"
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 9.5 × 10¹⁸ FLOP
- Wie es etabliert wurde
- Hardware
flops = (1) * (3.13e13) * (24*7 * 3600) * (0.5) = 9.47e18 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) I assume higher utilization rate, because only 1 GPU is used. Citation from the text: "We used a single Nvidia Tesla V100GPU of 32 GB graphics memory capacity, and we trained the model for a week for more than 45 million steps, for which each step consists of 32 patients (batch size)." - page 11 Note that public code appears not to make use of the tensor core speed…
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Trainingshardware
- NVIDIA Tesla V100 DGXS 32 GB
- Verwendete Chips
- 1
- Chip-Stunden
- 168
- Wand-Uhrzeit
- 168 hours (7 days)
- Stromverbrauch
- 278 W
- Rechenkosten
- $62
"We used a single Nvidia Tesla V100GPU of 32 GB graphics memory capacity, and we trained the model for a week for more than 45 million steps, for which each step consists of 32 patients (batch size)." - page 11
Verfügbarkeit
Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.
- Gewichte
- Closed — provider access only
- Modellzugang
- Unreleased
- Training-Code
- Open source
Apache 2 https://github.com/ZhiGroup/Med-BERT training guide: https://github.com/ZhiGroup/Med-BERT/tree/master/Pretraining%20Code "Initially we really hoped to share our models but unfortunately, the pre-trained models are no longer sharable. According to SBMI Data Service Office: "Under the terms of our contracts with data vendors, we are not permitted to share any of the data utilized in our publications, as well as large models derived from those data."
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Warum es verfolgt wird
- SOTA improvement
- Aufzeichnungsgenauigkeit
- Likely
- Zitationen
- 835
"This work is the first demonstration of significantly boosted performance over state-of-the-art methods on multiple clinical tasks with phenotyped cohorts." Table 4
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Med-BERT: pretrained contextualized embeddings on large-scale structured electronic health records for disease prediction
- Zuletzt aktualisiert
- 1 January 2026
Was die Zahlen bedeuten
Über dieses Modell
MedBERT wurde veröffentlicht von Peng Cheng Laboratory,University of Texas at Houston, im Land aufgezeichnet als China, während May 2021. Die Kategorie, in die der Herausgeber fällt, ist academia,Academia.
Es funktioniert im Bereich von Medicine, und wird als die Aufgabe von aufgezeichnet medical diagnosis, Text classification, Prediction of hospital stay duration, Prediction of diabetic heart failure (DHF), Prediction of onset of pancreatic cancer (PaCa).
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Wie es trainiert wurde
Das Training benötigte ein Rechenbudget von ungefähr 9.5 × 10¹⁸ FLOP, auf Hardware erfasst als NVIDIA Tesla V100 DGXS 32 GB. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Training verbrauchte ein Korpus von etwa 14,587,212,800 Text-Tokens
Der Grund, warum es überhaupt in diesem Katalog erscheint: sOTA improvement.
Antworten
MedBERT — Häufige Fragen
MedBERT— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
MedBERT— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 17M. 17M from "This is possibly due to the fact that the untrained Med-BERT is an over-parameterized model (around 17 million parameters) with a huge number of configurations, so it might overfit to the training data". Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
MedBERT— Wer hat es erstellt?
Es wurde veröffentlicht von Peng Cheng Laboratory,University of Texas at Houston, basiert auf China, eine als kategorisierte Organisation academia,Academia.
MedBERT— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in May 2021. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
MedBERT— Wofür wird es verwendet?
Es funktioniert im Bereich von Medicine, und wird als Bewältigung der Aufgabe von medical diagnosis, Text classification, Prediction of hospital stay duration, Prediction of diabetic heart failure (DHF), Prediction of onset of pancreatic cancer (PaCa). Ein Modell kann mehrere von jedem tragen, daher sind dies die Bereiche, für die es gebaut wurde, anstatt eine Begrenzung dafür, was es versuchen wird.
MedBERT— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 9.5 × 10¹⁸ FLOP, auf Hardware erfasst als NVIDIA Tesla V100 DGXS 32 GB. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
MedBERT— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.