Multi-cell LSTM
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 Hyderabad
- Organisationsart
- Academia
- Land
- India
- Veröffentlicht
- 15 November 2018
- Autoren
- Thomas Cherian, Akshay Badola, Vineet Padmanabhan
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
- 7.2M
- Trainingsdaten
- 929,000 tokens
- Epochen
- 50
Based on the details in the paper, the number of parameters in the Multi-cell LSTM model can be calculated as follows: The model has 2 hidden LSTM layers, each with 1500 hidden units Each LSTM unit is a multi-cell LSTM with 10 memory cells per unit For a standard LSTM layer with n hidden units: W matrix: n x input_size U matrix: n x n 4 bias vectors of size n (for input, forget, cell, output gates) So for each multi-cell LSTM layer with 1500 units and 10 cells per unit: W matrix: 1500 x inp…
50 epochs (from Figure 4)
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 × 10¹⁵ FLOP
- Wie es etabliert wurde
- Operation counting
6 FLOP / parameter / token * 7200000 parameters * 929000 tokens * 50 epochs = 2.00664e+15 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.
- Warum es verfolgt wird
- SOTA improvement
- Aufzeichnungsgenauigkeit
- Likely
- Zitationen
- 6
- Benchmark-Daten
- Multi-cell LSTM
"The proposed multi-cell LSTM language models outperform the state-of-the-art results on well-known Penn Treebank (PTB) setup"
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Multi-cell LSTM Based Neural Language Model
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Woher es kam
Multi-cell LSTM wurde veröffentlicht von University of Hyderabad, im Land aufgezeichnet als India, während November 2018. Die veröffentlichende Organisation ist als 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 × 10¹⁵ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Es wurde auf einem Korpus von etwa 929,000 Text-Tokens
Der Grund, warum es überhaupt in diesem Katalog erscheint: sOTA improvement.
Antworten
Multi-cell LSTM — Häufige Fragen
Multi-cell LSTM— Wer hat es erstellt?
Es wurde veröffentlicht von University of Hyderabad, basiert auf India, eine als kategorisierte Organisation academia.
Multi-cell LSTM— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in November 2018. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Multi-cell LSTM— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling. Ein Modell kann mehrere von jedem tragen, daher sind dies die Bereiche, für die es gebaut wurde, anstatt eine Begrenzung dafür, was es versuchen wird.
Multi-cell LSTM— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 2 × 10¹⁵ 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.
Multi-cell LSTM— 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.
Multi-cell LSTM— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
Multi-cell LSTM— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 7.2M. Based on the details in the paper, the number of parameters in the Multi-cell LSTM model can be calculated as follows: The model has 2 hidden LSTM layers, each with 1500 hidden units Each LSTM unit is a multi-cell LSTM with 10 memory cells per unit For a standard LSTM layer with n hidden units: W matrix: n x input_size U matrix: n x n 4 bias vectors of size n (for input, forget, cell, output gates) So for each multi-cell LSTM layer with 1500 units and 10 cells per unit: W matrix: 1500 x input_size U matrix: 1500 x 1500 4 bias vectors of size 1500 Number of parameters is same as standard LSTM layer For the 2 hidden layers: Input size for Layer 1: embedding dimension (estimated 300 in paper) Input size for Layer 2: 1500 (output of layer 1) Total params = Layer 1: 1500 x (300 + 1500 + 4) = 2,706,000 Layer 2: 1500 x (1500 + 1500 + 4) = 4,506,000 Total Parameters = 2,706,000 + 4,506,000 = 7,212,000 So the total number of parameters for the Multi-cell LSTM model with 2 layers of 1500 units and 10 cells per unit is approximately 7.2 million. 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.
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.