Transformer
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
- Google Research,Google Brain
- Organisationsart
- Industry,Industry
- Land
- United States of America
- Veröffentlicht
- 12 June 2017
- Autoren
- Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Language
- Aufgabe
- Translation
- Ansatz
- Self-supervised learning
- 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
- 213M
- Trainingsdaten
- 832,000,000 tokens
- Epochen
- 3
This page suggests the transformer has 213M parameters. "Although there are others architectures that make use of attention layers, none achieves so good results so fast. Not only that, but the only model that can compite against Transformer is the Slicenet22, proposed just fifteen days before. It takes much longer to train, due to the huge amount of parameters it requires (348 million against the 213 millions of Transformer), and the BLEU scores it achieves are slightly worse on average. In sh…
"We trained on the standard WMT 2014 English-German dataset consisting of about 4.5 million sentence pairs. Sentences were encoded using byte-pair encoding [3], which has a shared source-target vocabulary of about 37000 tokens. For English-French, we used the significantly larger WMT 2014 English-French dataset consisting of 36M sentences and split tokens into a 32000 word-piece vocabulary " In total, this is 40.5 million sentence-pairs. Assuming each sentence pair is 15-20 words in each langua…
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
- 7.4 × 10¹⁸ FLOP
- Wie es etabliert wurde
- Hardware,Third-party estimation
"The model was trained during 300000 steps, roughly 3.5 days, using 8 NVIDIA P100 GPUs." source: https://ricardokleinklein.github.io/2017/11/16/Attention-is-all-you-need.html NVIDIA Tesla P100 has 9.3 teraFLOPS single-precision performance source: https://www.nvidia.com/en-gb/data-center/tesla-p100/ We assume 0.33 utilization performance, in line with OpenAI's "AI and compute" article source: https://openai.com/blog/ai-and-compute/ 9.3*10^12 FLOP / GPU / sec * 8 GPUs * 3.5 days * 24 hour /…
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 P100
- Verwendete Chips
- 8
- Chip-Stunden
- 672
- Wand-Uhrzeit
- 84 hours
- Stromverbrauch
- 4.2 kW
- Rechenkosten
- $438
We trained our models on one machine with 8 NVIDIA P100 GPUs. For our base models using the hyperparameters described throughout the paper, each training step took about 0.4 seconds. We trained the base models for a total of 100,000 steps or 12 hours. For our big models,(described on the bottom line of table 3), step time was 1.0 seconds. The big models were trained for 300,000 steps (3.5 days).
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
- Unreleased
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
- Highly cited,Historical significance
- Aufzeichnungsgenauigkeit
- Confident
- Zitationen
- 159,251
The original transformer
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Attention Is All You Need
- Zuletzt aktualisiert
- 1 January 2026
Was die Zahlen bedeuten
Woher es kam
Transformer wurde veröffentlicht von Google Research,Google Brain, im Land aufgezeichnet als United States of America, während June 2017. Die veröffentlichende Organisation ist als industry,Industry.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet translation.
Seine Gewichte wurden niemals veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarten ändern das.
Training und Herkunft
Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 7.4 × 10¹⁸ FLOP, auf Hardware erfasst als NVIDIA P100. 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 832,000,000 Text-Tokens
Es wird aus einem bestimmten Grund im zugrunde liegenden Datensatz verfolgt: highly cited,Historical significance.
Antworten
Transformer — Häufige Fragen
Transformer— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 7.4 × 10¹⁸ FLOP, auf Hardware erfasst als NVIDIA P100. 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.
Transformer— 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.
Transformer— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
Transformer— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 213M. This page suggests the transformer has 213M parameters. "Although there are others architectures that make use of attention layers, none achieves so good results so fast. Not only that, but the only model that can compite against Transformer is the Slicenet22, proposed just fifteen days before. It takes much longer to train, due to the huge amount of parameters it requires (348 million against the 213 millions of Transformer), and the BLEU scores it achieves are slightly worse on average. In short, up to date it offers no profit over Transformer." https://ricardokleinklein.github.io/2017/11/16/Attention-is-all-you-need.html. 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.
Transformer— Wer hat es erstellt?
Es wurde veröffentlicht von Google Research,Google Brain, basiert auf United States of America, eine als kategorisierte Organisation industry,Industry.
Transformer— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in June 2017. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Transformer— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von translation. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
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.