Transformer
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Google Research,Google Brain
- Tipo de Organización
- Industry,Industry
- País
- United States of America
- Publicado
- 12 June 2017
- Autores
- Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Translation
- Enfoque
- Self-supervised learning
- Formato numérico
- FP32
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 213M
- Datos de entrenamiento
- 832,000,000 tokens
- Épocas
- 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…
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 7.4 × 10¹⁸ FLOP
- Cómo se estableció
- 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 /…
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA P100
- Chips utilizados
- 8
- Horas de chip
- 672
- Tiempo de reloj
- 84 hours
- Consumo de energía
- 4.2 kW
- Costo de cómputo
- $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).
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- Highly cited,Historical significance
- Confianza de registro
- Confident
- Citas
- 159,251
The original transformer
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Attention Is All You Need
- Última actualización
- 1 January 2026
Qué significan los números
De dónde vino
Transformer fue publicado por Google Research,Google Brain, en el país registrado como United States of America, durante June 2017. La organización editora está clasificada como industry,Industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de translation.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 7.4 × 10¹⁸ FLOP, en hardware registrado como NVIDIA P100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El entrenamiento consumió un corpus de alrededor de 832,000,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: highly cited,Historical significance.
Respuestas
Transformer — preguntas comunes
Transformer— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 7.4 × 10¹⁸ FLOP, en hardware registrado como NVIDIA P100. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
Transformer— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
Transformer— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Transformer— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 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. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
Transformer— ¿Quién lo creó?
Fue publicado por Google Research,Google Brain, basado en United States of America, una organización categorizada como industry,Industry.
Transformer— ¿cuándo fue lanzado?
Se publicó en June 2017. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Transformer— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de translation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.