DARTS
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
- DeepMind,Carnegie Mellon University (CMU)
- Type d'organisation
- Industry,Academia
- Pays
- United Kingdom of Great Britain and Northern Ireland, United States of America
- Publié
- 24 June 2018
- Auteurs
- Hanxiao Liu, Karen Simonyan, Yiming Yang
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, Neural Architecture Search - NAS
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
- 33M
- Données d'entraînement
- 2,000,000 tokens
- Époques
- 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
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
- 3.2 × 10¹⁷ FLOP
- Comment cela a été établi
- 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
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA GeForce GTX 1080 Ti
- Chips utilisés
- 1
- Temps en temps réel
- 72 hours
- Consommation d'énergie
- 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
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
- Open source
apache 2, training/test for wikitext: https://github.com/quark0/darts/tree/master/rnn
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
- Speculative
- Citations
- 4,929
- Données de référence
- DARTS
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- DARTS: Differentiable Architecture Search
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
À propos de ce modèle
DARTS a été publié par DeepMind,Carnegie Mellon University (CMU), dans le pays enregistré comme United Kingdom of Great Britain and Northern Ireland, durant June 2018. L'organisation de publication est catégorisée comme industry,Academia.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling, Neural Architecture Search - NAS.
Ses poids n'ont jamais été publiés, donc il ne peut être atteint que par son fournisseur. Aucun changement de carte graphique ne change cela.
Entraînement et provenance
L'entraînement a consommé environ 3.2 × 10¹⁷ FLOP, sur matériel enregistré comme NVIDIA GeForce GTX 1080 Ti. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il a été entraîné sur un corpus d'environ 2,000,000 jetons de texte
Réponses
DARTS — questions courantes
DARTS— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling, Neural Architecture Search - NAS. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
DARTS— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.2 × 10¹⁷ FLOP, sur matériel enregistré comme NVIDIA GeForce GTX 1080 Ti. 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.
DARTS— 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.
DARTS— 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.
DARTS— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 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.". 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.
DARTS— qui l'a créé ?
Il a été publié par DeepMind,Carnegie Mellon University (CMU), basé sur United Kingdom of Great Britain and Northern Ireland, une organisation catégorisée comme industry,Academia.
DARTS— quand a-t-il été publié ?
Il a été publié dans June 2018. 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.
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.