Dropout-LSTM+Noise(Bernoulli) (WT2)
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
- Columbia University,New York University (NYU),Princeton University
- Typ organizace
- Academia,Academia,Academia
- Země
- United States of America
- Publikováno
- 3 May 2018
- Autoři
- Adji B. Dieng, Rajesh Ranganath, Jaan Altosaar, David M. Blei
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
- 51M
- Výcviková data
- 2,000,000 tokens
- Epochy
- 200
"The large network has 2 layers with 1500 hidden units each. This leads to a model complexity of 51 million parameters."
"We train the models using truncated backpropagation through time with average stochastic gradient descent (Polyak & Juditsky, 1992) for a maximum of 200 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
- 1.3 × 10¹⁷ FLOP
- Jak bylo ustanoveno
- Operation counting
6 FLOP / parameter / token * 51000000 parameters * 2000000 tokens * 200 epochs = 1.224e+17 FLOP 'Likely' confidence because I am not very sure that 51M paramters and 200 epochs relate to WT-2 model, but it is very likely
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
"The source code is available upon request."
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
- 27
- Benchmark data
- Dropout-LSTM+Noise(Bernoulli) (WT2)
this is the best model in this paper per Table 4 "On language modeling benchmarks, Noisin improves over dropout by as much as 12.2% on the Penn Treebank and 9.4% on the Wikitext-2 dataset"
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Noisin: Unbiased Regularization for Recurrent Neural Networks
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
O tomto modelu
Dropout-LSTM+Noise(Bernoulli) (WT2) byl zveřejněn Columbia University,New York University (NYU),Princeton University, v zemi zaznamenané jako United States of America, během May 2018. Kategorie, do které vydavatel spadá, je academia,Academia,Academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Trénink a původ
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 1.3 × 10¹⁷ 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
Je sledováno v základním datasetu z jednoho konkrétního důvodu: sOTA improvement.
Odpovědi
Dropout-LSTM+Noise(Bernoulli) (WT2) — běžné otázky
Dropout-LSTM+Noise(Bernoulli) (WT2)— Kdy byl vydán?
Bylo to zveřejněno v May 2018. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Dropout-LSTM+Noise(Bernoulli) (WT2)— 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.
Dropout-LSTM+Noise(Bernoulli) (WT2)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1.3 × 10¹⁷ 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.
Dropout-LSTM+Noise(Bernoulli) (WT2)— 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.
Dropout-LSTM+Noise(Bernoulli) (WT2)— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Dropout-LSTM+Noise(Bernoulli) (WT2)— kolik má parametrů?
Má počet parametrů 51M. "The large network has 2 layers with 1500 hidden units each. This leads to a model complexity of 51 million parameters.". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Dropout-LSTM+Noise(Bernoulli) (WT2)— Kdo to vytvořil?
Bylo to publikováno společností Columbia University,New York University (NYU),Princeton University, zakládající se na United States of America, organizace zařazená jako academia,Academia,Academia.
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.