6-Layer-Tensor-Transformer+AdaHessian
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
- NERSC, Lawrence Berkeley National Laboratory,University of California (UC) Berkeley
- Organisatietype
- Government,Academia
- Land
- United States of America
- Gepubliceerd
- 1 June 2020
- Auteurs
- Zhewei Yao, Amir Gholami, Sheng Shen, Mustafa Mustafa, Kurt Keutzer, Michael W. Mahoney
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
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
- 85.5M
- Training gegevens
- 103,000,000 tokens
- Epochs
- 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)
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
- 1.6 × 10¹⁸ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / parameter / token * 85500000 parameters * 103000000 tokens * 30 epochs = 1.58517e+18 FLOP
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
MIT for code. doesn't have training script for WT103 but looks fairly adaptable: https://github.com/amirgholami/ADAHESSIAN
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.
- Record vertrouwen
- Confident
- Citaties
- 365
- Benchmarkgegevens
- 6-Layer-Tensor-Transformer+AdaHessian
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- ADAHESSIAN: An Adaptive Second Order Optimizer for Machine Learning
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Waar het vandaan kwam
6-Layer-Tensor-Transformer+AdaHessian werd gepubliceerd door NERSC, Lawrence Berkeley National Laboratory,University of California (UC) Berkeley, in het land geregistreerd als United States of America, tijdens June 2020. Het komt uit een organisatie gecategoriseerd als government,Academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
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.
Training en herkomst
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 1.6 × 10¹⁸ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
De trainingsset liep naar ongeveer 103,000,000 tekstokens
Antwoorden
6-Layer-Tensor-Transformer+AdaHessian — veelgestelde vragen
6-Layer-Tensor-Transformer+AdaHessian— wie heeft het gemaakt?
Het werd gepubliceerd door NERSC, Lawrence Berkeley National Laboratory,University of California (UC) Berkeley, gebaseerd op United States of America, een organisatie geclassificeerd als government,Academia.
6-Layer-Tensor-Transformer+AdaHessian— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2020. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
6-Layer-Tensor-Transformer+AdaHessian— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
6-Layer-Tensor-Transformer+AdaHessian— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.6 × 10¹⁸ FLOP. 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.
6-Layer-Tensor-Transformer+AdaHessian— 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.
6-Layer-Tensor-Transformer+AdaHessian— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
6-Layer-Tensor-Transformer+AdaHessian— hoeveel parameters heeft het?
Het heeft een parameter telling van 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. 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.
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.