MedBERT
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Peng Cheng Laboratory,University of Texas at Houston
- Organisatietype
- Academia,Academia
- Land
- China, United States of America
- Gepubliceerd
- 20 May 2021
- Auteurs
- Laila Rasmy, Yang Xiang, Ziqian Xie, Cui Tao, Degui Zhi
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Medicine
- Taak
- Medical diagnosis, Text classification, Prediction of hospital stay duration, Prediction of diabetic heart failure (DHF), Prediction of onset of pancreatic cancer (PaCa)
- Numerieke indeling
- FP32
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 17M
- Training gegevens
- 14,587,212,800 tokens
- Epochs
- 50.5
17M from "This is possibly due to the fact that the untrained Med-BERT is an over-parameterized model (around 17 million parameters) with a huge number of configurations, so it might overfit to the training data"
data about 28M patients "Our pretraining cohort for Med-BERT is consisting of 28 million patients extracted from Cerner"
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 9.5 × 10¹⁸ FLOP
- Hoe het werd opgericht
- Hardware
flops = (1) * (3.13e13) * (24*7 * 3600) * (0.5) = 9.47e18 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) I assume higher utilization rate, because only 1 GPU is used. Citation from the text: "We used a single Nvidia Tesla V100GPU of 32 GB graphics memory capacity, and we trained the model for a week for more than 45 million steps, for which each step consists of 32 patients (batch size)." - page 11 Note that public code appears not to make use of the tensor core speed…
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA Tesla V100 DGXS 32 GB
- Gebruikte chips
- 1
- Chip-uren
- 168
- Kloktijd
- 168 hours (7 days)
- Stroomverbruik
- 278 W
- Rekenkosten
- $62
"We used a single Nvidia Tesla V100GPU of 32 GB graphics memory capacity, and we trained the model for a week for more than 45 million steps, for which each step consists of 32 patients (batch size)." - page 11
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Toegang tot model
- Unreleased
- Training code
- Open source
Apache 2 https://github.com/ZhiGroup/Med-BERT training guide: https://github.com/ZhiGroup/Med-BERT/tree/master/Pretraining%20Code "Initially we really hoped to share our models but unfortunately, the pre-trained models are no longer sharable. According to SBMI Data Service Office: "Under the terms of our contracts with data vendors, we are not permitted to share any of the data utilized in our publications, as well as large models derived from those data."
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Likely
- Citaties
- 835
"This work is the first demonstration of significantly boosted performance over state-of-the-art methods on multiple clinical tasks with phenotyped cohorts." Table 4
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Med-BERT: pretrained contextualized embeddings on large-scale structured electronic health records for disease prediction
- Laatst bijgewerkt
- 1 January 2026
Wat de cijfers betekenen
Over dit model
MedBERT werd gepubliceerd door Peng Cheng Laboratory,University of Texas at Houston, in het land geregistreerd als China, tijdens May 2021. De categorie waaronder de uitgever valt is academia,Academia.
Het werkt in het domein van Medicine, en wordt geregistreerd als het uitvoeren van de taak van medical diagnosis, Text classification, Prediction of hospital stay duration, Prediction of diabetic heart failure (DHF), Prediction of onset of pancreatic cancer (PaCa).
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Hoe het getraind werd
Training kostte een rekensbudget van ongeveer 9.5 × 10¹⁸ FLOP, op hardware vastgelegd als NVIDIA Tesla V100 DGXS 32 GB. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Training verbruikte een corpus van ongeveer 14,587,212,800 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: sOTA improvement.
Antwoorden
MedBERT — veelgestelde vragen
MedBERT— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
MedBERT— hoeveel parameters heeft het?
Het heeft een parameter telling van 17M. 17M from "This is possibly due to the fact that the untrained Med-BERT is an over-parameterized model (around 17 million parameters) with a huge number of configurations, so it might overfit to the training data". Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
MedBERT— wie heeft het gemaakt?
Het werd gepubliceerd door Peng Cheng Laboratory,University of Texas at Houston, gebaseerd op China, een organisatie geclassificeerd als academia,Academia.
MedBERT— wanneer is het uitgebracht?
Het werd gepubliceerd in May 2021. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
MedBERT— waarvoor wordt het gebruikt?
Het werkt in het domein van Medicine, en wordt geregistreerd als het afhandelen van medical diagnosis, Text classification, Prediction of hospital stay duration, Prediction of diabetic heart failure (DHF), Prediction of onset of pancreatic cancer (PaCa). Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
MedBERT— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 9.5 × 10¹⁸ FLOP, op hardware vastgelegd als NVIDIA Tesla V100 DGXS 32 GB. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
MedBERT— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.