LSTM(large)+Sememe+cell
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- Tsinghua University,Beijing University of Posts and Telecommunications,Huawei Noah's Ark Lab
- Typ organizace
- Academia,Academia,Industry
- Země
- China
- Publikováno
- 20 October 2019
- Autoři
- Yujia Qin, Fanchao Qi, Sicong Ouyang, Zhiyuan Liu, Cheng Yang, Yasheng Wang, Qun Liu, Maosong Sun
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 48M
- Výcviková data
- 2,000,000 tokens
- Epochy
- 40
Based on the details in the paper, here is the calculation for the number of parameters in the LSTM(large)+Sememe+cell model: The model has 2 LSTM layers, each with 1500 hidden units. It uses the "+cell" method to incorporate sememes, which introduces an additional sememe-LSTM cell in each LSTM unit. For each original 1500 unit LSTM layer: Input size is 300 (embedding dimension) Hidden size is 1500 4 weight matrices of size 300 x 1500 = 450,000 params each 4 recurrent weight matrices of size…
"The maximum training epoch number is 40 and the gradient norm clip boundary is 0.25."
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 2.3 × 10¹⁶ FLOP
- Jak bylo ustanoveno
- Operation counting
6 FLOP / token / parameter * 48000000 parameters * 2000000 tokens * 40 epochs = 2.304e+16 FLOP
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Open (non-commercial)
code for WT/PTB. no license. https://github.com/thunlp/SememeRNN/blob/master/LM/main.py
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Likely
- Citace
- 19
- Benchmark data
- LSTM(large)+Sememe+cell
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Improving Sequence Modeling Ability of Recurrent Neural Networks via Sememes
- Nap poslední aktualizace
- 11 February 2026
Co čísla znamenají
Co je tento MODEL
LSTM(large)+Sememe+cell byl zveřejněn Tsinghua University,Beijing University of Posts and Telecommunications,Huawei Noah's Ark Lab, v zemi zaznamenané jako China, během October 2019. Vydavatelská organizace je kategorizována jako academia,Academia,Industry.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Jak bylo trénováno
Trénování si vyžádalo výpočetní rozpočet přibližně 2.3 × 10¹⁶ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Trénink spotřeboval korpus kolem 2,000,000 tokeny textu
Odpovědi
LSTM(large)+Sememe+cell — běžné otázky
LSTM(large)+Sememe+cell— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 2.3 × 10¹⁶ 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.
LSTM(large)+Sememe+cell— Jakou GPU potřebuji k jejímu spuštění?
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.
LSTM(large)+Sememe+cell— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
LSTM(large)+Sememe+cell— kolik má parametrů?
Má počet parametrů 48M. Based on the details in the paper, here is the calculation for the number of parameters in the LSTM(large)+Sememe+cell model: The model has 2 LSTM layers, each with 1500 hidden units. It uses the "+cell" method to incorporate sememes, which introduces an additional sememe-LSTM cell in each LSTM unit. For each original 1500 unit LSTM layer: Input size is 300 (embedding dimension) Hidden size is 1500 4 weight matrices of size 300 x 1500 = 450,000 params each 4 recurrent weight matrices of size 1500 x 1500 = 2,250,000 params each 4 bias vectors of size 1500 = 6,000 params each Total = 450,000 x 4 + 2,250,000 x 4 + 6,000 x 4 = 12,006,000 For each sememe-LSTM cell: Input size is 2000 (number of sememes) Hidden size is 1500 Same weight and bias computations as above Total = 12,006,000 Since there are 2 LSTM layers each with a sememe-LSTM cell: Total params = 2 * (12,006,000 + 12,006,000) Total = 48,024,000 Therefore, the total number of parameters for the LSTM(large)+Sememe+cell model is approximately 48 million. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
LSTM(large)+Sememe+cell— Kdo to vytvořil?
Bylo to publikováno společností Tsinghua University,Beijing University of Posts and Telecommunications,Huawei Noah's Ark Lab, zakládající se na China, organizace zařazená jako academia,Academia,Industry.
LSTM(large)+Sememe+cell— Kdy byl vydán?
Bylo to zveřejněno v October 2019. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
LSTM(large)+Sememe+cell— K čemu se to používá?
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.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.