LSTM+NeuralCache
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
- KU Leuven,ESAT - PSI,Apple
- Typ organizace
- Academia,Academia,Industry
- Země
- Belgium, United States of America
- Publikováno
- 24 September 2018
- Autoři
- Lyan Verwimp, Joris Pelemans, Hugo Van hamme, Patrick Wambacq
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling
- Číselný formát
- FP32
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 2.1M
- Výcviková data
- 2,000,000 tokens
- Epochy
- 39
Given: Hidden size (H) = 512 Number of hidden layers (L) = 1 Input size (I) is not mentioned, so let's denote it as I The total number of parameters P in an LSTM can be calculated as follows: P = 4 * ((I * H) + (H * H) + H) This is for one layer of LSTM cells. Since the LSTM model described has only one layer, we don't need to multiply by the number of layers. To calculate the exact number of parameters, we would need to know the input size I. However, if you are looking for the number of pa…
" we stop training anyway after 39 epochs"
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
- 9.8 × 10¹⁴ FLOP
- Jak bylo ustanoveno
- Operation counting
6 FLOP / parameter / token * 2100000 parameters * 2000000 tokens * 39 epochs = 9.828e+14 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
- Unreleased
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Proč je to sledováno
- SOTA improvement
- Záznam důvěry
- Likely
- Citace
- 3
- Benchmark data
- LSTM+NeuralCache
"We obtain a 29.9%/32.1% (validation/test set) relative improvement in perplexity with respect to a baseline LSTM LM on the WikiText-2 dataset, outperforming previous work on neural cache LMs" ... "we observe that neural cache models consistently outperform regular cache models on this dataset."
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Information-Weighted Neural Cache Language Models for ASR
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Pozadí
LSTM+NeuralCache byl zveřejněn KU Leuven,ESAT - PSI,Apple, v zemi zaznamenané jako Belgium, během September 2018. Kategorie, do které vydavatel spadá, je 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.
Trénink a původ
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 9.8 × 10¹⁴ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Tréninková sada běžela na přibližně 2,000,000 tokeny textu
Důvod, proč se to v tomto katalogu vůbec objevuje: sOTA improvement.
Odpovědi
LSTM+NeuralCache — běžné otázky
LSTM+NeuralCache— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 9.8 × 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.
LSTM+NeuralCache— 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+NeuralCache— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
LSTM+NeuralCache— kolik má parametrů?
Má počet parametrů 2.1M. Given: Hidden size (H) = 512 Number of hidden layers (L) = 1 Input size (I) is not mentioned, so let's denote it as I The total number of parameters P in an LSTM can be calculated as follows: P = 4 * ((I * H) + (H * H) + H) This is for one layer of LSTM cells. Since the LSTM model described has only one layer, we don't need to multiply by the number of layers. To calculate the exact number of parameters, we would need to know the input size I. However, if you are looking for the number of parameters just within a single LSTM cell (assuming I is equal to H), then you can substitute I with H in the above formula: P = 4 * ((H * H) + (H * H) + H) = 4 * (2 * (H^2) + H) For H = 512, this becomes: P = 4 * (2 * (512^2) + 512) = 4 * (2 * 262144 + 512) = 4 * (524288 + 512) = 4 * 524800 ≈ 2,099,200. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
LSTM+NeuralCache— Kdo to vytvořil?
Bylo to publikováno společností KU Leuven,ESAT - PSI,Apple, zakládající se na Belgium, organizace zařazená jako academia,Academia,Industry.
LSTM+NeuralCache— Kdy byl vydán?
Bylo to zveřejněno v September 2018. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
LSTM+NeuralCache— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
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.