DiffStk-MRNN

funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.

Trénink spotřeboval kolem 2.8 × 10¹⁴ FLOP. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.

Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.

Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.

Má počet parametrů 1M. All models trained on this dataset consisted of 100 hidden units Okay, let's break this down: - RNN with 1 hidden layer - 100 hidden units - Vocabulary size = 10,000 The RNN layer will have: - Input weight matrix U: dimensions (vocab size x hidden size) = (10,000 x 100) = 1,000,000 parameters - Recurrent weight matrix W: dimensions (hidden size x hidden size) = (100 x 100) = 10,000 parameters - Bias vector b: (hidden size) = (100) = 100 parameters So the total parameters is: U = 1,000,000 W = 10,000 b = 100 Total parameters = U + W + b = 1,000,000 + 10,000 + 100 = 1,010,100 Therefore, the total number of parameters for this 1-layer RNN with 100 hidden units and 10,000 vocab size is 1,010,100. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

Bylo to publikováno společností Pennsylvania State University,Rochester Institute of Technology, zakládající se na United States of America, organizace zařazená jako academia,Academia.

Bylo to zveřejněno v April 2020. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.