machine-learning model-scaling transformer-models attention-mechanism associative-memory hopfield-networks model-generalization cross-entropy-loss neural-network-performance

Влияние размера данных на обучение трансформатора: динамика переживания и потерь

22 июня 2025 г.

Таблица ссылок

Аннотация и 1 введение

2 Связанная работа

3 модели и 3.1 ассоциативные воспоминания

3.2 трансформаторные блоки

4 Новая энергетическая функция

4.1 Слоистая структура

5 Потеря по перекрестной энтропии

6 Эмпирические результаты и 6.1 Эмпирическая оценка радиуса

6.2 Обучение GPT-2

6.3 Тренировка ванильных трансформаторов

7 Заключение и подтверждение

Приложение A. отложенные таблицы

Приложение B. Некоторые свойства энергетических функций

Приложение C. отложенные доказательства из раздела 5

Приложение D. Трансформатор Подробности: Использование GPT-2 в качестве примера

Ссылки

6.2 Обучение GPT-2

Figure 4: Vanilla Transformers trained on the 2M Question-Formation dataset following the settings in (Murty et al., 2023). The training losses stabilize at a value of approximately 1, which corroborates the result presented in Proposition 4.

Авторы:

(1) Xueyan Niu, Theory Laboratory, Central Research Institute, 2012 Laboratories, Huawei Technologies Co., Ltd.;

(2) Бо Бай Байбо (8@huawei.com);

(3) Lei Deng (deng.lei2@huawei.com);

(4) Вэй Хан (harvey.hanwei@huawei.com).

Эта статья естьДоступно на ArxivПод CC BY-NC-ND 4.0 Лицензия.

Оригинал

Влияние размера данных на обучение трансформатора: динамика переживания и потерь

Таблица ссылок

6.2 Обучение GPT-2

Recent Post

Эмпирические результаты: анализ GPT-2 запоминания трансформатора и потери

Что на самом деле происходит в инженерии функций (и почему это важно)

Преобразование ИТ -операций через передовые системы ИИ Бхавана Венкатеш Гуди

Миссия Каран Аланг по строительству более умных, автономных систем с AI/ML

Этот ИИ с открытым исходным кодом читает Землю, как ЧАТГПТ читает текст

Categories