Variational (untied weights, MC) LSTM (Large)
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
- University of Cambridge
- Typ organizace
- Academia
- Země
- United Kingdom of Great Britain and Northern Ireland
- Publikováno
- 16 December 2015
- Autoři
- Yarin Gal, Zoubin Ghahramani
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
- 66M
- Výcviková data
- 929,000 tokens
- Epochy
- 16
66M according to https://arxiv.org/pdf/1611.01462
"We had to use early stopping for the large model with [20]’s variant as the model starts overfitting after 16 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
- 5.9 × 10¹⁵ FLOP
- Jak bylo ustanoveno
- Operation counting
6 FLOP / parameter / token * 66000000 parameters * 929000 tokens * 16 epochs = 5.886144e+15 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
- Highly cited,SOTA improvement
- Záznam důvěry
- Confident
- Citace
- 1,838
- Benchmark data
- Variational (untied weights, MC) LSTM (Large)
"The new approach outperforms existing techniques, and to the best of our knowledge improves on the single model state-of-the-art in language modelling with the Penn Treebank (73.4 test perplexity)"
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- A Theoretically Grounded Application of Dropout in Recurrent Neural Networks
- Nap poslední aktualizace
- 11 February 2026
Co čísla znamenají
Co je tento MODEL
Variational (untied weights, MC) LSTM (Large) byl zveřejněn University of Cambridge, v zemi zaznamenané jako United Kingdom of Great Britain and Northern Ireland, během December 2015. 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.
Trénink a původ
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 5.9 × 10¹⁵ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 929,000 tokeny textu
Jeho kritérium zahrnutí: highly cited,SOTA improvement.
Odpovědi
Variational (untied weights, MC) LSTM (Large) — běžné otázky
Variational (untied weights, MC) LSTM (Large)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 5.9 × 10¹⁵ 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.
Variational (untied weights, MC) LSTM (Large)— 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.
Variational (untied weights, MC) LSTM (Large)— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Variational (untied weights, MC) LSTM (Large)— kolik má parametrů?
Má počet parametrů 66M. 66M according to https://arxiv.org/pdf/1611.01462. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Variational (untied weights, MC) LSTM (Large)— Kdo to vytvořil?
Bylo to publikováno společností University of Cambridge, zakládající se na United Kingdom of Great Britain and Northern Ireland, organizace zařazená jako academia.
Variational (untied weights, MC) LSTM (Large)— Kdy byl vydán?
Bylo to zveřejněno v December 2015. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Variational (untied weights, MC) LSTM (Large)— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
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.