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

Fuente: arXiv

Guardado en:

Detalles Bibliográficos
Autores principales:	Gray, Gavia, Tiwari, Aman, Bergsma, Shane, Hestness, Joel
Formato:	Preprint
Publicado:	2024
Materias:	Machine Learning I.2.6
Acceso en línea:	Acceder al recurso
Etiquetas:	Agregar Etiqueta Sin Etiquetas, Sea el primero en etiquetar este registro!

Internet

https://arxiv.org/abs/2411.00999