DARTS
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
- DeepMind,Carnegie Mellon University (CMU)
- Szervezet típusa
- Industry,Academia
- Ország
- United Kingdom of Great Britain and Northern Ireland, United States of America
- Közölt
- 24 June 2018
- Szerzők
- Hanxiao Liu, Karen Simonyan, Yiming Yang
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Language modeling, Neural Architecture Search - NAS
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
- 33M
- Képzési adatok
- 2,000,000 tokens
- Epochok
- 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
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
- 3.2 × 10¹⁷ FLOP
- Hogyan jött létre
- 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
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA GeForce GTX 1080 Ti
- Használt chipek
- 1
- Fali óra idő
- 72 hours
- Teljesítményfogyasztás
- 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
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
apache 2, training/test for wikitext: https://github.com/quark0/darts/tree/master/rnn
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Speculative
- Hivatkozások
- 4,929
- Benchmark adatok
- DARTS
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- DARTS: Differentiable Architecture Search
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Erről a modelről
DARTS ki lett adva által DeepMind,Carnegie Mellon University (CMU), az országban rögzítve mint United Kingdom of Great Britain and Northern Ireland, alatt June 2018. A kiadó szervezet a következő kategóriába tartozik industry,Academia.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling, Neural Architecture Search - NAS.
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Képzés és származás
A képzés futás körülbelül 3.2 × 10¹⁷ FLOP, hardveren rögzítve NVIDIA GeForce GTX 1080 Ti. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Körülbelül egy korpuszon lett betanítva 2,000,000 szöveg tokenjei
Válaszok
DARTS — gyakori kérdések
DARTS— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling, Neural Architecture Search - NAS. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
DARTS— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 3.2 × 10¹⁷ FLOP, hardveren rögzítve NVIDIA GeForce GTX 1080 Ti. 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.
DARTS— 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.
DARTS— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
DARTS— Hány paramétere van?
Paraméterszáma 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.". 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.
DARTS— Ki készítette ezt?
Kiadta DeepMind,Carnegie Mellon University (CMU), alapján United Kingdom of Great Britain and Northern Ireland, egy szervezet, amelyet kategorizáltak mint industry,Academia.
DARTS— Mikor adták ki?
Kibocsátották a June 2018. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
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..