RNNLM + Dynamic KL Regularization (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
- Northwestern University
- Typ organizace
- Academia
- Země
- United States of America
- Publikováno
- 27 April 2018
- Autoři
- Thanapon Noraset, David Demeter, Doug Downey
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
- 87.6M
- Výcviková data
- 2,000,000 tokens
- Epochy
- 20
Calculatable - 2-layer LSTM with 650 hidden units.
"Perplexity validation stops significantly improving after around 20 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
- 2.1 × 10¹⁶ FLOP
- Jak bylo ustanoveno
- Operation counting
6 FLOP / parameter / token * 87600000 parameters * 2000000 tokens * 20 epochs = 2.1024e+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
- Unreleased
code, but not experiment code: https://github.com/northanapon/seqmodel/tree/aaai18
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
- 9
- Benchmark data
- RNNLM + Dynamic KL Regularization (WT2)
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Controlling Global Statistics in Recurrent Neural Network Text Generation
- Nap poslední aktualizace
- 11 February 2026
Co čísla znamenají
Odkud to přišlo
RNNLM + Dynamic KL Regularization (WT2) byl zveřejněn Northwestern University, v zemi zaznamenané jako United States of America, během April 2018. Vychází z organizace, která je kategorizována jako 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.
Jak bylo trénováno
Trenovací běh spotřeboval asi 2.1 × 10¹⁶ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 2,000,000 tokeny textu
Odpovědi
RNNLM + Dynamic KL Regularization (WT2) — běžné otázky
RNNLM + Dynamic KL Regularization (WT2)— Kdo to vytvořil?
Bylo to publikováno společností Northwestern University, zakládající se na United States of America, organizace zařazená jako academia.
RNNLM + Dynamic KL Regularization (WT2)— Kdy byl vydán?
Bylo to zveřejněno v April 2018. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
RNNLM + Dynamic KL Regularization (WT2)— 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.
RNNLM + Dynamic KL Regularization (WT2)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 2.1 × 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.
RNNLM + Dynamic KL Regularization (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.
RNNLM + Dynamic KL Regularization (WT2)— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
RNNLM + Dynamic KL Regularization (WT2)— kolik má parametrů?
Má počet parametrů 87.6M. Calculatable - 2-layer LSTM with 650 hidden units. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
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.