genCNN + dyn eval
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
- Chinese Academy of Sciences,Huawei Noah's Ark Lab,Dublin City University
- Typ organizacji
- Academia,Industry,Academia
- Kraj
- China, Ireland
- Opublikowany
- 17 March 2015
- Autorzy
- Mingxuan Wang, Zhengdong Lu, Hang Li, Wenbin Jiang, Qun Liu
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 8M
- Dane treningowe
- 929,000 tokens
8M according to https://arxiv.org/pdf/1508.06615
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
- 3.4 × 10¹⁶ FLOP
- Jak to zostało ustalone
- Hardware,Operation counting
5046000000000 FLOP / sec/ GPU * 1 GPU * 48 hours ["Likely" confidence since 2 days of training refer to another dataset] * 3600 sec / hour * 0.3 [assumed utilization] = 2.6158464e+17 FLOP Assuming (!) 100 epochs (-> "Speculative" confidence"): 6 FLOP / parameter / token * 8000000 parameters * 929000 tokens * 100 epochs = 4.4592e+15 FLOP sqrt(2.6158464e+17*4.4592e+15 ) = 3.4153451e+16 FLOP ________ in the algorithmic progress report paper the estimation was 7.3 × 10^16 FLOP (hardware-based es…
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA Tesla K40s
- Czas rzeczywisty
- 48 hours
" The optimization is done mainly on a Tesla K40 GPU, which takes about 2 days for the training on a dataset containing 1M sentences." this training doesn't refer to the PTB dataset but to wiki dataset so it is likely an upper bound
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
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
- Speculative
- Cytaty
- 33
- Dane benchmarkowe
- genCNN + dyn eval
"genCNN outperforms the state-ofthe-arts with big margins."
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- genCNN: A Convolutional Architecture for Word Sequence Prediction
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Tło
genCNN + dyn eval został opublikowany przez Chinese Academy of Sciences,Huawei Noah's Ark Lab,Dublin City University, w kraju zapisanym jako China, podczas March 2015. Kategoria, do której należy wydawca, to academia,Industry,Academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Jak to zostało wytrenowane
Trenowanie zajęło budżet obliczeniowy wynoszący około 3.4 × 10¹⁶ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Tesla K40s. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 929,000 Tokeny tekstu.
Jest śledzone w podstawowym zbiorze danych z jednego szczególnego powodu: sOTA improvement.
Odpowiedzi
genCNN + dyn eval — częste pytania
genCNN + dyn eval— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
genCNN + dyn eval— ile ma parametrów?
Ma liczbę parametrów równą 8M. 8M according to https://arxiv.org/pdf/1508.06615. 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.
genCNN + dyn eval— kto to stworzył?
Zostało opublikowane przez Chinese Academy of Sciences,Huawei Noah's Ark Lab,Dublin City University, oparty na China, organizacja sklasyfikowana jako academia,Industry,Academia.
genCNN + dyn eval— kiedy to zostało wydane?
Zostało opublikowane w March 2015. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
genCNN + dyn eval— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
genCNN + dyn eval— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 3.4 × 10¹⁶ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Tesla K40s. 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.
genCNN + dyn eval— 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.
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.