Mesh-TensorFlow Transformer 4.9B (language)
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
- Google Brain
- Szervezet típusa
- Industry
- Ország
- United States of America
- Közölt
- 5 November 2018
- Szerzők
- Noam Shazeer, Youlong Cheng, Niki Parmar, Dustin Tran, Ashish Vaswani, Penporn Koanantakool, Peter Hawkins, Hyoukjoong Mingsheng Lee, Cliff Hong, Ryan Young, Blake Sepassi, Hechtman
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Language modeling/generation, Translation
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
- 4.9B
- Képzési adatok
- 5,000,000,000 tokens
- Epochok
- 10
4.9B from section 9.1 : ''The largest model (4.9B parameters) took 13 hours to train on a 512-core TPUv2 cluster.'
from section 9.1. Experiments done on a "billion word benchmark" and a 5B token wikipedia dataset. At 4/3 tokens per word, 1.3B tokens in the first.
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
- 1.6 × 10²⁰ FLOP
- Hogyan jött létre
- Hardware
flops = (256) * ( 45 * 10**12) * (13 * 3600) * (0.3) = 1.6e20 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) from section 9.1 : ''The largest model (4.9B parameters) took 13 hours to train on a 512-core TPUv2 cluster.' from https://en.wikipedia.org/wiki/Tensor_Processing_Unit 45TFLOPs per chips
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- Google TPU v2
- Használt chipek
- 256
- Chip-óra
- 3,328
- Fali óra idő
- 13 hours
- Teljesítményfogyasztás
- 148.1 kW
- Számítási költség
- $935
from section 9.1 "For the billion-word language modeling benchmark, we trained the models for 10 epochs. The largest model (4.9B parameters) took 13 hours to train on a 512-core TPUv2 cluster."
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
- Open source
code here, apache license: https://github.com/tensorflow/mesh/tree/master/mesh_tensorflow/transformer https://github.com/tensorflow/mesh/blob/master/mesh_tensorflow/transformer/transformer.py
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- SOTA improvement
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 437
'Using TPU meshes of up to 512 cores, we train Transformer models with up to 5 billion parameters, surpassing state of the art results on WMT'14 English-to-French translation task and the one-billion-word language modeling benchmark.'
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Mesh-TensorFlow: Deep Learning for Supercomputers
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Erről a modelről
Mesh-TensorFlow Transformer 4.9B (language) ki lett adva által Google Brain, az országban rögzítve mint United States of America, alatt November 2018. A kiadó szervezet a következő kategóriába tartozik industry.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling/generation, Translation.
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Hogyan lett betanítva
A betanításhoz körülbelül egy számítási költségvetés kellett 1.6 × 10²⁰ FLOP, hardveren rögzítve Google TPU v2. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A tanító készlet kb. futott 5,000,000,000 szöveg tokenjei
Az oka, hogy egyáltalán megjelenik ebben a katalógusban: sOTA improvement.
Válaszok
Mesh-TensorFlow Transformer 4.9B (language) — gyakori kérdések
Mesh-TensorFlow Transformer 4.9B (language)— 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.
Mesh-TensorFlow Transformer 4.9B (language)— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
Mesh-TensorFlow Transformer 4.9B (language)— Hány paramétere van?
Paraméterszáma 4.9B. 4.9B from section 9.1 : ''The largest model (4.9B parameters) took 13 hours to train on a 512-core TPUv2 cluster.'. 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.
Mesh-TensorFlow Transformer 4.9B (language)— Ki készítette ezt?
Kiadta Google Brain, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry.
Mesh-TensorFlow Transformer 4.9B (language)— Mikor adták ki?
Kibocsátották a November 2018. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Mesh-TensorFlow Transformer 4.9B (language)— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling/generation, Translation. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
Mesh-TensorFlow Transformer 4.9B (language)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.6 × 10²⁰ FLOP, hardveren rögzítve Google TPU v2. 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.
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..