6-Layer-Tensor-Transformer+AdaHessian
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- NERSC, Lawrence Berkeley National Laboratory,University of California (UC) Berkeley
- Tipo di organizzazione
- Government,Academia
- Paese
- United States of America
- Pubblicato
- 1 June 2020
- Autori
- Zhewei Yao, Amir Gholami, Sheng Shen, Mustafa Mustafa, Kurt Keutzer, Michael W. Mahoney
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 85.5M
- Dati di addestramento
- 103,000,000 tokens
- Epoche
- 30
" Following [35], a three-layer tensorized transformer core-1 for PTB and a six-layer tensorized transformer core-1 for Wikitext-103 are used in the experiments" [35] Ma, X.; Zhang, P.; Zhang, S.; Duan, N.; Hou, Y.; Zhou, M.; and Song, D. 2019. A tensorized transformer for language modeling. In Advances in Neural Information Processing Systems, 2229–2239. https://arxiv.org/pdf/1906.09777 Tensorized transformer has 85.5M parameters
batch size 120 10^7 steps (Figure 10)
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 1.6 × 10¹⁸ FLOP
- Come è stato stabilito
- Operation counting
6 FLOP / parameter / token * 85500000 parameters * 103000000 tokens * 30 epochs = 1.58517e+18 FLOP
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
- Codice di addestramento
- Open source
MIT for code. doesn't have training script for WT103 but looks fairly adaptable: https://github.com/amirgholami/ADAHESSIAN
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 365
- Dati di benchmark
- 6-Layer-Tensor-Transformer+AdaHessian
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- ADAHESSIAN: An Adaptive Second Order Optimizer for Machine Learning
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
6-Layer-Tensor-Transformer+AdaHessian è stato pubblicato da NERSC, Lawrence Berkeley National Laboratory,University of California (UC) Berkeley, nel paese registrato come United States of America, durante June 2020. Esce da un'organizzazione categorizzata come government,Academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Addestramento e provenienza
La produzione di esso ha richiesto un'aritmetica totale di circa 1.6 × 10¹⁸ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il set di addestramento si aggirava attorno a 103,000,000 token di testo
Risposte
6-Layer-Tensor-Transformer+AdaHessian — domande comuni
6-Layer-Tensor-Transformer+AdaHessian— chi l'ha creato?
È stato pubblicato da NERSC, Lawrence Berkeley National Laboratory,University of California (UC) Berkeley, basato su United States of America, un'organizzazione categorizzata come government,Academia.
6-Layer-Tensor-Transformer+AdaHessian— quando è stato rilasciato?
È stato pubblicato in June 2020. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
6-Layer-Tensor-Transformer+AdaHessian— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
6-Layer-Tensor-Transformer+AdaHessian— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.6 × 10¹⁸ FLOP. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
6-Layer-Tensor-Transformer+AdaHessian— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
6-Layer-Tensor-Transformer+AdaHessian— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
6-Layer-Tensor-Transformer+AdaHessian— quanti parametri ha?
Ha un numero di parametri di 85.5M. " Following [35], a three-layer tensorized transformer core-1 for PTB and a six-layer tensorized transformer core-1 for Wikitext-103 are used in the experiments" [35] Ma, X.; Zhang, P.; Zhang, S.; Duan, N.; Hou, Y.; Zhou, M.; and Song, D. 2019. A tensorized transformer for language modeling. In Advances in Neural Information Processing Systems, 2229–2239. https://arxiv.org/pdf/1906.09777 Tensorized transformer has 85.5M parameters. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.