Normalization Layer Per-Example Gradients are Sufficient to Predict Gradient Noise Scale in Transformers

Fuente: arXiv

Enregistré dans:

Détails bibliographiques
Auteurs principaux:	Gray, Gavia, Tiwari, Aman, Bergsma, Shane, Hestness, Joel
Format:	Preprint
Publié:	2024
Sujets:	Machine Learning I.2.6
Accès en ligne:	Acceder al recurso
Tags:	Ajouter un tag Pas de tags, Soyez le premier à ajouter un tag!

Internet

https://arxiv.org/abs/2411.00999