rTop-k(distributed setting)
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
- Stanford University
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 21 May 2020
- Autori
- Leighton Pate Barnes, Huseyin A. Inan, Berivan Isik, Ayfer Ozgur
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
- 69M
- Dati di addestramento
- 912,344 tokens
- Epoche
- 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…
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
- 1.4 × 10¹⁶ FLOP
- Come è stato stabilito
- Operation counting
6 FLOP / token / parameter * 69000000 parameters * 912344 tokens * 38 epochs = 1.4352996e+16 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
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Likely
- Citazioni
- 71
- Dati di benchmark
- rTop-k(distributed setting)
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- rTop-k: A Statistical Estimation Approach to Distributed SGD
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
rTop-k(distributed setting) è stato pubblicato da Stanford University, nel paese registrato come United States of America, durante May 2020. L'organizzazione di pubblicazione è classificata come academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Cosa è stato necessario per costruirlo
Il run di addestramento ha consumato circa 1.4 × 10¹⁶ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
L'addestramento ha consumato un corpus di circa 912,344 token di testo
Risposte
rTop-k(distributed setting) — domande comuni
rTop-k(distributed setting)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.4 × 10¹⁶ 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.
rTop-k(distributed setting)— 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.
rTop-k(distributed setting)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
rTop-k(distributed setting)— quanti parametri ha?
Ha un numero di parametri di 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. 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.
rTop-k(distributed setting)— chi l'ha creato?
È stato pubblicato da Stanford University, basato su United States of America, un'organizzazione categorizzata come academia.
rTop-k(distributed setting)— quando è stato rilasciato?
È stato pubblicato in May 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.
rTop-k(distributed setting)— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
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.