rTop-k(distributed setting)
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Stanford University
- Szervezet típusa
- Academia
- Ország
- United States of America
- Közölt
- 21 May 2020
- Szerzők
- Leighton Pate Barnes, Huseyin A. Inan, Berivan Isik, Ayfer Ozgur
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Language modeling
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Paraméterek
- 69M
- Képzési adatok
- 912,344 tokens
- Epochok
- 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…
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 1.4 × 10¹⁶ FLOP
- Hogyan jött létre
- Operation counting
6 FLOP / token / parameter * 69000000 parameters * 912344 tokens * 38 epochs = 1.4352996e+16 FLOP
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Closed — provider access only
- Modell hozzáférés
- Unreleased
- Képzés kód
- Unreleased
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Likely
- Hivatkozások
- 71
- Benchmark adatok
- rTop-k(distributed setting)
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- rTop-k: A Statistical Estimation Approach to Distributed SGD
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Erről a modelről
rTop-k(distributed setting) ki lett adva által Stanford University, az országban rögzítve mint United States of America, alatt May 2020. A kiadó szervezet a következő kategóriába tartozik academia.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Mi került a felépítésébe
A képzés futás körülbelül 1.4 × 10¹⁶ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A képzés körülbelül egy korpuszt fogyasztott 912,344 szöveg tokenjei
Válaszok
rTop-k(distributed setting) — gyakori kérdések
rTop-k(distributed setting)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.4 × 10¹⁶ FLOP. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
rTop-k(distributed setting)— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
rTop-k(distributed setting)— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
rTop-k(distributed setting)— Hány paramétere van?
Paraméterszáma 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. Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
rTop-k(distributed setting)— Ki készítette ezt?
Kiadta Stanford University, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia.
rTop-k(distributed setting)— Mikor adták ki?
Kibocsátották a May 2020. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
rTop-k(distributed setting)— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..