WeNet (Penn Treebank)
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Amazon
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 8 April 2019
- Autorzy
- Zhiheng Huang, Bing Xiang
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Neural Architecture Search - NAS, Language modeling
- Format numeryczny
- FP16
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 23M
- Dane treningowe
- 929,000 tokens
- Epoki
- 6,000
- Rozmiar wsadu
- 70,000
Table 1
They use BPTT with length 35. During architecture search data batch size is 20 and network batch size is 100. While training the architecture they end up finding, batch size is 64. So effective batch size is 35 * 20 * 100 = 70,000 during architecture search, and 35 * 64 = 2,240 during final training.
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 7.3 × 10¹⁷ FLOP
- Jak to zostało ustalone
- Hardware,Operation counting
PTB has 912344 tokens. The model has 23M parameters and was trained for 6k epochs. If the model was dense, 6 FLOP/token/param/epoch * 6k epochs * 23M params * 912k tokens = 1.05e18 FLOP. Alternatively, the model was trained on 1 V100 GPU and "In terms of efficiency, the overall cost... is within 1 GPU day" so the training time was around or below 24 hours. Half precision and 30% utilization would be a pretty good match for the arithmetic estimate: 24 hours * 30% * 28 TFLOPS = 7.3e17 FLOP.
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA V100
- Zastosowane chipy
- 1
- Czas rzeczywisty
- 24 hours
- Pobór mocy
- 339 W
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
- Kod treningowy
- Unreleased
PTB dataset
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- SOTA improvement
- Zapisz pewność
- Likely
- Cytaty
- 5
- Dane benchmarkowe
- WeNet (WT2)
"We show that an architecture found by WeNets arXiv:1904.03819v1 [cs.NE] 8 Apr 2019 WeNet: Weighted Networks for Recurrent Network Architecture Search achieves state-of-the-art results on the Penn Treebank language dataset"
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- WeNet: Weighted Networks for Recurrent Network Architecture Search
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
Skąd to pochodzi
WeNet (Penn Treebank) został opublikowany przez Amazon, w kraju zapisanym jako United States of America, podczas April 2019. Wychodzi z organizacji zaklasyfikowanej jako industry.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie neural Architecture Search - NAS, Language modeling.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Szkolenie i pochodzenie
Trenowanie zajęło budżet obliczeniowy wynoszący około 7.3 × 10¹⁷ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Trening zużył korpus około 929,000 Tokeny tekstu.
Kryterium włączenia: sOTA improvement.
Odpowiedzi
WeNet (Penn Treebank) — częste pytania
WeNet (Penn Treebank)— ile ma parametrów?
Ma liczbę parametrów równą 23M. Table 1. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
WeNet (Penn Treebank)— kto to stworzył?
Zostało opublikowane przez Amazon, oparty na United States of America, organizacja sklasyfikowana jako industry.
WeNet (Penn Treebank)— kiedy to zostało wydane?
Zostało opublikowane w April 2019. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
WeNet (Penn Treebank)— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie neural Architecture Search - NAS, Language modeling. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
WeNet (Penn Treebank)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 7.3 × 10¹⁷ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
WeNet (Penn Treebank)— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
WeNet (Penn Treebank)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.