rTop-k(distributed setting)
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Stanford University
- Type d'organisation
- Academia
- Pays
- United States of America
- Publié
- 21 May 2020
- Auteurs
- Leighton Pate Barnes, Huseyin A. Inan, Berivan Isik, Ayfer Ozgur
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language
- Tâche
- Language modeling
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 69M
- Données d'entraînement
- 912,344 tokens
- Époques
- 38
We adopted a 2-layer LSTM language model architec- ture with 1500 hidden units per layer Okay, let's break this down: - You have a 2-layer LSTM model - Each LSTM layer has 1500 hidden units - The vocabulary size is 10k For each LSTM layer: - There are 4 weight matrices (input, forget, output, cell state) per layer - Each weight matrix has dimensions (input size x 1500 hidden units) - Plus 1500 bias terms per matrix Layer 1: - Input size is 10k (vocab size) - Weight matrices: 4 * (10k * 150…
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 1.4 × 10¹⁶ FLOP
- Comment cela a été établi
- Operation counting
6 FLOP / token / parameter * 69000000 parameters * 912344 tokens * 38 epochs = 1.4352996e+16 FLOP
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Unreleased
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Likely
- Citations
- 71
- Données de référence
- rTop-k(distributed setting)
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- rTop-k: A Statistical Estimation Approach to Distributed SGD
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
À propos de ce modèle
rTop-k(distributed setting) a été publié par Stanford University, dans le pays enregistré comme United States of America, durant May 2020. L'organisation de publication est catégorisée comme academia.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a consommé environ 1.4 × 10¹⁶ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'entraînement a consommé un corpus d'environ 912,344 jetons de texte
Réponses
rTop-k(distributed setting) — questions courantes
rTop-k(distributed setting)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.4 × 10¹⁶ FLOP. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
rTop-k(distributed setting)— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
rTop-k(distributed setting)— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
rTop-k(distributed setting)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 69M. We adopted a 2-layer LSTM language model architec- ture with 1500 hidden units per layer Okay, let's break this down: - You have a 2-layer LSTM model - Each LSTM layer has 1500 hidden units - The vocabulary size is 10k For each LSTM layer: - There are 4 weight matrices (input, forget, output, cell state) per layer - Each weight matrix has dimensions (input size x 1500 hidden units) - Plus 1500 bias terms per matrix Layer 1: - Input size is 10k (vocab size) - Weight matrices: 4 * (10k * 1500) = 60 million parameters - Biases: 4 * 1500 = 6000 parameters Layer 2: - Input size is 1500 (output of layer 1) - Weight matrices: 4 * (1500 * 1500) = 9 million parameters - Biases: 4 * 1500 = 6000 parameters Total parameters = 60 million + 6000 + 9 million + 6000 = 69,012,000 So the total number of parameters in this 2-layer 1500-unit LSTM with 10k vocab size is approximately 69 million. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
rTop-k(distributed setting)— qui l'a créé ?
Il a été publié par Stanford University, basé sur United States of America, une organisation catégorisée comme academia.
rTop-k(distributed setting)— quand a-t-il été publié ?
Il a été publié dans May 2020. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
rTop-k(distributed setting)— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.