DiffStk-MRNN
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Pennsylvania State University,Rochester Institute of Technology
- Organisationsart
- Academia,Academia
- Land
- United States of America
- Veröffentlicht
- 4 April 2020
- Autoren
- Ankur Mali, Alexander Ororbia, Daniel Kifer, Clyde Lee Giles
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Language
- Aufgabe
- Language modeling
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Parameter
- 1M
- Trainingsdaten
- 912,344 tokens
- Epochen
- 50
All models trained on this dataset consisted of 100 hidden units Okay, let's break this down: - RNN with 1 hidden layer - 100 hidden units - Vocabulary size = 10,000 The RNN layer will have: - Input weight matrix U: dimensions (vocab size x hidden size) = (10,000 x 100) = 1,000,000 parameters - Recurrent weight matrix W: dimensions (hidden size x hidden size) = (100 x 100) = 10,000 parameters - Bias vector b: (hidden size) = (100) = 100 parameters So the total parameters is: U = 1,000,0…
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 2.8 × 10¹⁴ FLOP
- Wie es etabliert wurde
- Operation counting
6 FLOP / token / parameter * 1010000 parameters * 912 344 tokens * 50 epochs = 2.7644023e+14 FLOP
Verfügbarkeit
Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.
- Gewichte
- Closed — provider access only
- Modellzugang
- Unreleased
- Training-Code
- Unreleased
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Aufzeichnungsgenauigkeit
- Likely
- Zitationen
- 14
- Benchmark-Daten
- DiffStk-MRNN
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Recognizing Long Grammatical Sequences Using Recurrent Networks Augmented With An External Differentiable Stack
- Zuletzt aktualisiert
- 1 December 2025
Was die Zahlen bedeuten
Hintergrund
DiffStk-MRNN wurde veröffentlicht von Pennsylvania State University,Rochester Institute of Technology, im Land aufgezeichnet als United States of America, während April 2020. Die Kategorie, in die der Herausgeber fällt, ist academia,Academia.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling.
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Training und Herkunft
Das Training benötigte ein Rechenbudget von ungefähr 2.8 × 10¹⁴ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Training verbrauchte ein Korpus von etwa 912,344 Text-Tokens
Antworten
DiffStk-MRNN — Häufige Fragen
DiffStk-MRNN— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
DiffStk-MRNN— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 2.8 × 10¹⁴ FLOP. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
DiffStk-MRNN— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
DiffStk-MRNN— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
DiffStk-MRNN— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 1M. All models trained on this dataset consisted of 100 hidden units Okay, let's break this down: - RNN with 1 hidden layer - 100 hidden units - Vocabulary size = 10,000 The RNN layer will have: - Input weight matrix U: dimensions (vocab size x hidden size) = (10,000 x 100) = 1,000,000 parameters - Recurrent weight matrix W: dimensions (hidden size x hidden size) = (100 x 100) = 10,000 parameters - Bias vector b: (hidden size) = (100) = 100 parameters So the total parameters is: U = 1,000,000 W = 10,000 b = 100 Total parameters = U + W + b = 1,000,000 + 10,000 + 100 = 1,010,100 Therefore, the total number of parameters for this 1-layer RNN with 100 hidden units and 10,000 vocab size is 1,010,100. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
DiffStk-MRNN— Wer hat es erstellt?
Es wurde veröffentlicht von Pennsylvania State University,Rochester Institute of Technology, basiert auf United States of America, eine als kategorisierte Organisation academia,Academia.
DiffStk-MRNN— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in April 2020. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.