TransformerXL + spectrum control
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
- University of California Los Angeles (UCLA),JD.com
- Organisatietype
- Academia,Industry
- Land
- United States of America, China
- Gepubliceerd
- 11 March 2020
- Auteurs
- Lingxiao Wang, Jing Huang, Kevin Huang, Ziniu Hu, Guangtao Wang, Quanquan Gu
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
- 151M
- Training gegevens
- 103,000,000 tokens
- Epochs
- 250
- Batchgrootte
- 61,440
151M (Table 2) " On the large WikiText-103 dataset, we implement our method based on the state-of-the-art Transformer-XL based models (Dai et al., 2019). We follow the same settings reported in (Dai et al., 2019), and our implementation is based on the official code for Transformer-XL."
"For WikiText-103 dataset, we use four NVIDIA Tesla V100 GPU and set the batch size to be 40." unknown amount of epochs and training steps but they say they follow original Transformer-XL setup (400K steps + 16K warmup steps, 128 batch size, 384 sequence length) 400000*4*40*384 / 103000000 = 248 epochs
4*40*384
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
- 2.6 × 10¹⁹ FLOP
- Hoe het werd opgericht
- Operation counting,Hardware
6 FLOP / parameter / token * 151000000 parameters * 103000000 tokens * 250 epochs = 2.33295e+19 FLOP 31330000000000 FLOP / sec / GPU [fp16] * 4 GPUs * 3152 sec per epoch * 250 epochs * 0.3 [assumed precision] = 2.9625648e+19 FLOP sqrt(2.33295e+19*2.9625648e+19) = 2.6289761e+19 FLOP 'speculative' confidence due to the assumption of the amount of epochs
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA V100
- Gebruikte chips
- 4
- Kloktijd
- 219 hours (9.1 days)
- Stroomverbruik
- 2.5 kW
3152 sec per epoch (Table 7) * 250 epochs / 3600 sec/hour = 219 hours
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.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Speculative
- Citaties
- 90
- Benchmarkgegevens
- TransformerXL + spectrum control
"We demonstrate that our spectrum control method outperforms the state-of-the-art Transformer-XL modeling for language model" " Our spectrum control method outperforms the latest state-of-the-art TransformerXL model on WikiText-103 dataset for language modeling; and obtains close to 1.5 BLEU improvement on IWSLT 2014 German-English translation task compared to the Transformer baseline model."
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Improving Neural Language Generation with Spectrum Control
- Laatst bijgewerkt
- 1 December 2025
Wat de cijfers betekenen
Over dit model
TransformerXL + spectrum control werd gepubliceerd door University of California Los Angeles (UCLA),JD.com, in het land geregistreerd als United States of America, tijdens March 2020. Het komt uit een organisatie gecategoriseerd als academia,Industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Hoe het getraind werd
De training run verbruikte ongeveer 2.6 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA V100. 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 103,000,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: sOTA improvement.
Antwoorden
TransformerXL + spectrum control — veelgestelde vragen
TransformerXL + spectrum control— wie heeft het gemaakt?
Het werd gepubliceerd door University of California Los Angeles (UCLA),JD.com, gebaseerd op United States of America, een organisatie geclassificeerd als academia,Industry.
TransformerXL + spectrum control— wanneer is het uitgebracht?
Het werd gepubliceerd in March 2020. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
TransformerXL + spectrum control— 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.
TransformerXL + spectrum control— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.6 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA V100. 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.
TransformerXL + spectrum control— 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.
TransformerXL + spectrum control— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
TransformerXL + spectrum control— hoeveel parameters heeft het?
Het heeft een parameter telling van 151M. 151M (Table 2) " On the large WikiText-103 dataset, we implement our method based on the state-of-the-art Transformer-XL based models (Dai et al., 2019). We follow the same settings reported in (Dai et al., 2019), and our implementation is based on the official code for Transformer-XL.". 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.