RGC+ASQ (PTB)
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
- Tsinghua University,University of California Los Angeles (UCLA)
- Szervezet típusa
- Academia,Academia
- Ország
- China, United States of America
- Közölt
- 13 August 2018
- Szerzők
- Jiarui Fang, Haohuan Fu, Guangwen Yang, Cho-Jui Hsieh
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
- 53.5M
- Képzési adatok
- tokens
- Epochok
- 40
Table 1: 204MB parameters. Assuming they used FP32: 204*1024*1024/4=53477376
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
- 1.2 × 10¹⁶ FLOP
6*53477376*929000*40=1.1923316e+16
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA Titan V
- Használt chipek
- 8
- Teljesítményfogyasztás
- 4.1 kW
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
- 29
- Benchmark adatok
- RGC+ASQ (PTB)
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- RedSync : Reducing Synchronization Traffic for Distributed Deep Learning
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Erről a modelről
RGC+ASQ (PTB) ki lett adva által Tsinghua University,University of California Los Angeles (UCLA), az országban rögzítve mint China, alatt August 2018. A kiadó szervezet a következő kategóriába tartozik academia,Academia.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling.
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 1.2 × 10¹⁶ FLOP, hardveren rögzítve NVIDIA Titan V. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Válaszok
RGC+ASQ (PTB) — gyakori kérdések
RGC+ASQ (PTB)— Hány paramétere van?
Paraméterszáma 53.5M. Table 1: 204MB parameters. Assuming they used FP32: 204*1024*1024/4=53477376. 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.
RGC+ASQ (PTB)— Ki készítette ezt?
Kiadta Tsinghua University,University of California Los Angeles (UCLA), alapján China, egy szervezet, amelyet kategorizáltak mint academia,Academia.
RGC+ASQ (PTB)— Mikor adták ki?
Kibocsátották a August 2018. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
RGC+ASQ (PTB)— 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.
RGC+ASQ (PTB)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.2 × 10¹⁶ FLOP, hardveren rögzítve NVIDIA Titan V. 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.
RGC+ASQ (PTB)— 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.
RGC+ASQ (PTB)— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
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..