AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (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
- Salesforce Research
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 7 August 2017
- Autoři
- Stephen Merity, Nitish Shirish Keskar, Richard Socher
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
- 33M
- Výcviková data
- 2,000,000 tokens
- Epochy
- 750
33M (Table 2)
"For training the models, we use the NT-ASGD algorithm discussed in the previous section for 750 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
- 3 × 10¹⁷ FLOP
- Jak bylo ustanoveno
- Operation counting
6 FLOP / parameter / token * 33000000 parameters * 2000000 tokens * 750 epochs = 2.97e+17 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 source
bsd-3 license: https://github.com/salesforce/awd-lstm-lm train/eval code: https://github.com/salesforce/awd-lstm-lm/blob/master/main.py
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
- Highly cited,SOTA improvement
- Záznam důvěry
- Confident
- Citace
- 1,176
- Benchmark data
- AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)
"we achieve an even lower state-of-the-art perplexity of 52.8 on Penn Treebank and 52.0 on WikiText-2."
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Regularizing and Optimizing LSTM Language Models
- Nap poslední aktualizace
- 11 February 2026
Co čísla znamenají
Pozadí
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2) byl zveřejněn Salesforce Research, v zemi zaznamenané jako United States of America, během August 2017. Vychází z organizace, která je kategorizována jako industry.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Jak bylo trénováno
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 3 × 10¹⁷ 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
Je sledováno v základním datasetu z jednoho konkrétního důvodu: highly cited,SOTA improvement.
Odpovědi
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2) — běžné otázky
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— Kdy byl vydán?
Bylo to zveřejněno v August 2017. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— kolik má parametrů?
Má počet parametrů 33M. 33M (Table 2). Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— Kdo to vytvořil?
Bylo to publikováno společností Salesforce Research, zakládající se na United States of America, organizace zařazená jako industry.
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.