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

Fuente: arXiv
Salvato in:
Dettagli Bibliografici
Autori principali: Gray, Gavia, Tiwari, Aman, Bergsma, Shane, Hestness, Joel
Natura: Preprint
Pubblicazione: 2024
Soggetti:
Accesso online:
Tags: Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!