LSTM-3-layer+Gadam
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
- University of Oxford,University of Bristol,University of Cambridge
- Organisationsart
- Academia,Academia,Academia
- Land
- United Kingdom of Great Britain and Northern Ireland
- Veröffentlicht
- 2 March 2020
- Autoren
- Diego Granziol, Xingchen Wan, Samuel Albanie, Stephen Roberts
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
- 24M
- Trainingsdaten
- 912,344 tokens
- Epochen
- 200
24M imputed from Merity et al. 2017 https://arxiv.org/abs/1708.02182
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
- 2.6 × 10¹⁶ FLOP
- Wie es etabliert wurde
- Operation counting
6 FLOP / parameter / token * 24000000 parameters * 912344 tokens * 200 epochs = 2.6275507e+16 FLOP
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Trainingshardware
- NVIDIA GeForce RTX 2080 Ti 11GB
- Verwendete Chips
- 1
- Stromverbrauch
- 281 W
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
- 5
- Benchmark-Daten
- LSTM-3-layer+Gadam
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Iterative Averaging in the Quest for Best Test Error
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Hintergrund
LSTM-3-layer+Gadam wurde veröffentlicht von University of Oxford,University of Bristol,University of Cambridge, im Land aufgezeichnet als United Kingdom of Great Britain and Northern Ireland, während March 2020. Es stammt aus einer Organisation, die kategorisiert ist als academia,Academia,Academia.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Training und Herkunft
Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 2.6 × 10¹⁶ FLOP, auf Hardware erfasst als NVIDIA GeForce RTX 2080 Ti 11GB. 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
LSTM-3-layer+Gadam — Häufige Fragen
LSTM-3-layer+Gadam— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 2.6 × 10¹⁶ FLOP, auf Hardware erfasst als NVIDIA GeForce RTX 2080 Ti 11GB. 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.
LSTM-3-layer+Gadam— 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.
LSTM-3-layer+Gadam— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
LSTM-3-layer+Gadam— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 24M. 24M imputed from Merity et al. 2017 https://arxiv.org/abs/1708.02182. 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.
LSTM-3-layer+Gadam— Wer hat es erstellt?
Es wurde veröffentlicht von University of Oxford,University of Bristol,University of Cambridge, basiert auf United Kingdom of Great Britain and Northern Ireland, eine als kategorisierte Organisation academia,Academia,Academia.
LSTM-3-layer+Gadam— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in March 2020. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
LSTM-3-layer+Gadam— 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.
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.