BERT-Large-CAS (PTB+WT2+WT103)
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
- Amazon
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 20 April 2019
- Auteurs
- Chenguang Wang, Mu Li, Alexander J. Smola
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Neural Architecture Search - NAS, Language modeling/generation
- 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
- 395M
- Training gegevens
- 1,300,000,000 tokens
- Epochs
- 50
395M (Table 6)
Table 7: 0.1B (PTB)+ 0.2B (WT-2) + 1.0B (WT-103) = 1.3B We pick 128 as sequence length and 16 as minibatch size "We use NT-ASGD (Merity et al., 2017) to train 50 epochs on training datasets"
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
- 1.5 × 10²⁰ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / token / parameter * 395000000 parameters * 1300000000 parameters * 50 epochs = 1.5405e+20 FLOP ________ in the Algorithmic progress paper, the estimation was 5.21E+20 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
Apache 2.0 license: https://github.com/cgraywang/gluon-nlp-1/blob/lmtransformer/scripts/language_model/train/transformer_lm.py
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
- 139
- Benchmarkgegevens
- BERT-Large-CAS (PTB+WT2+WT103)
"CAS achieves perplexities between 20.42 and 34.11 on all problems, i.e. on average an improvement of 12.0 perplexity units compared to state-of-the-art LSTMs"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Language Models with Transformers
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
BERT-Large-CAS (PTB+WT2+WT103) werd gepubliceerd door Amazon, in het land geregistreerd als United States of America, tijdens April 2019. Het komt uit een organisatie gecategoriseerd als industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van neural Architecture Search - NAS, Language modeling/generation.
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 1.5 × 10²⁰ 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 1,300,000,000 tekstokens
De inclusiecriteria: sOTA improvement.
Antwoorden
BERT-Large-CAS (PTB+WT2+WT103) — veelgestelde vragen
BERT-Large-CAS (PTB+WT2+WT103)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
BERT-Large-CAS (PTB+WT2+WT103)— hoeveel parameters heeft het?
Het heeft een parameter telling van 395M. 395M (Table 6). 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.
BERT-Large-CAS (PTB+WT2+WT103)— wie heeft het gemaakt?
Het werd gepubliceerd door Amazon, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
BERT-Large-CAS (PTB+WT2+WT103)— wanneer is het uitgebracht?
Het werd gepubliceerd in April 2019. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
BERT-Large-CAS (PTB+WT2+WT103)— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van neural Architecture Search - NAS, Language modeling/generation. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
BERT-Large-CAS (PTB+WT2+WT103)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.5 × 10²⁰ 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.
BERT-Large-CAS (PTB+WT2+WT103)— 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.