RNN (SGD+CLR)
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 Montreal / Université de Montréal
- Typ organizace
- Academia
- Země
- Canada
- Publikováno
- 14 December 2012
- Autoři
- Yoshua Bengio, Nicolas Boulanger-Lewandowski and Razvan Pascanu
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Audio
- Úkol
- Language modeling, Audio generation
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 195.6K
- Výcviková data
- tokens
It uses 400 hidden units (selected via hyperparameter tuning) The input size is 88 (corresponding to the 88 piano pitches) It uses rectified linear units, so no activation function parameters So the number of parameters would be: Input to hidden weights: 88 * 400 = 35,200 Hidden to hidden weights: 400 * 400 = 160,000 Biases: 400 Total: ~195,600 parameters Above estimate is by Claude 2. Should be checked manually.
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Speculative
- Citace
- 647
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Advances in Optimizing Recurrent Networks
- Nap poslední aktualizace
- 11 February 2026
Co čísla znamenají
Co je tento MODEL
RNN (SGD+CLR) byl zveřejněn University of Montreal / Université de Montréal, v zemi zaznamenané jako Canada, během December 2012. Vychází z organizace, která je kategorizována jako academia.
funguje v oblasti Audio, a je zaznamenán jako vykonávající úkol language modeling, Audio generation.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Odpovědi
RNN (SGD+CLR) — běžné otázky
RNN (SGD+CLR)— K čemu se to používá?
funguje v oblasti Audio, a je zaznamenáno jako zpracovávající úkol language modeling, Audio generation. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
RNN (SGD+CLR)— 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.
RNN (SGD+CLR)— Je to OPEN SOURCE?
Licencování nikdy nebylo zaznamenáno v našich zdrojových datech. Neuváděné licencování považujeme za uzavřené, protože nezaznamenaná licence není na kterou by se dalo spoléhat.
RNN (SGD+CLR)— kolik má parametrů?
Má počet parametrů 195.6K. It uses 400 hidden units (selected via hyperparameter tuning) The input size is 88 (corresponding to the 88 piano pitches) It uses rectified linear units, so no activation function parameters So the number of parameters would be: Input to hidden weights: 88 * 400 = 35,200 Hidden to hidden weights: 400 * 400 = 160,000 Biases: 400 Total: ~195,600 parameters Above estimate is by Claude 2. Should be checked manually. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
RNN (SGD+CLR)— Kdo to vytvořil?
Bylo to publikováno společností University of Montreal / Université de Montréal, zakládající se na Canada, organizace zařazená jako academia.
RNN (SGD+CLR)— Kdy byl vydán?
Bylo to zveřejněno v December 2012. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
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.