DARTS
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
- DeepMind,Carnegie Mellon University (CMU)
- Tipo di organizzazione
- Industry,Academia
- Paese
- United Kingdom of Great Britain and Northern Ireland, United States of America
- Pubblicato
- 24 June 2018
- Autori
- Hanxiao Liu, Karen Simonyan, Yiming Yang
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling, Neural Architecture Search - NAS
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
- 33M
- Dati di addestramento
- 2,000,000 tokens
- Epoche
- 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
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
- 3.2 × 10¹⁷ FLOP
- Come è stato stabilito
- 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
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA GeForce GTX 1080 Ti
- Chip utilizzati
- 1
- Tempo di parete
- 72 hours
- Consumo energetico
- 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
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
apache 2, training/test for wikitext: https://github.com/quark0/darts/tree/master/rnn
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Speculative
- Citazioni
- 4,929
- Dati di benchmark
- DARTS
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- DARTS: Differentiable Architecture Search
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
DARTS è stato pubblicato da DeepMind,Carnegie Mellon University (CMU), nel paese registrato come United Kingdom of Great Britain and Northern Ireland, durante June 2018. L'organizzazione di pubblicazione è classificata come industry,Academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling, Neural Architecture Search - NAS.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Addestramento e provenienza
Il run di addestramento ha consumato circa 3.2 × 10¹⁷ FLOP, su hardware registrato come NVIDIA GeForce GTX 1080 Ti. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 2,000,000 token di testo
Risposte
DARTS — domande comuni
DARTS— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling, Neural Architecture Search - NAS. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
DARTS— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.2 × 10¹⁷ FLOP, su hardware registrato come NVIDIA GeForce GTX 1080 Ti. 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.
DARTS— 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.
DARTS— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
DARTS— quanti parametri ha?
Ha un numero di parametri di 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.". 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.
DARTS— chi l'ha creato?
È stato pubblicato da DeepMind,Carnegie Mellon University (CMU), basato su United Kingdom of Great Britain and Northern Ireland, un'organizzazione categorizzata come industry,Academia.
DARTS— quando è stato rilasciato?
È stato pubblicato in June 2018. 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.
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.