rTop-k(distributed setting)
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
- Stanford University
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 21 May 2020
- Auteurs
- Leighton Pate Barnes, Huseyin A. Inan, Berivan Isik, Ayfer Ozgur
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
- 69M
- Training gegevens
- 912,344 tokens
- Epochs
- 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…
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
- 1.4 × 10¹⁶ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / token / parameter * 69000000 parameters * 912344 tokens * 38 epochs = 1.4352996e+16 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
- Unreleased
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
- Likely
- Citaties
- 71
- Benchmarkgegevens
- rTop-k(distributed setting)
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- rTop-k: A Statistical Estimation Approach to Distributed SGD
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Over dit model
rTop-k(distributed setting) werd gepubliceerd door Stanford University, in het land geregistreerd als United States of America, tijdens May 2020. De publicerende organisatie is geclassificeerd als academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Wat erin ging zitten om het te bouwen
De training run verbruikte ongeveer 1.4 × 10¹⁶ FLOP. 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 912,344 tekstokens
Antwoorden
rTop-k(distributed setting) — veelgestelde vragen
rTop-k(distributed setting)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.4 × 10¹⁶ 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.
rTop-k(distributed setting)— 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.
rTop-k(distributed setting)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
rTop-k(distributed setting)— hoeveel parameters heeft het?
Het heeft een parameter telling van 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. 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.
rTop-k(distributed setting)— wie heeft het gemaakt?
Het werd gepubliceerd door Stanford University, gebaseerd op United States of America, een organisatie geclassificeerd als academia.
rTop-k(distributed setting)— wanneer is het uitgebracht?
Het werd gepubliceerd in May 2020. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
rTop-k(distributed setting)— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
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.