Fraternal dropout + AWD-LSTM 3-layer (WT2)
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
- Jagiellonian University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal
- Organisationsart
- Academia,Academia,Academia
- Land
- Poland, Canada
- Veröffentlicht
- 31 October 2017
- Autoren
- Konrad Zolna, Devansh Arpit, Dendi Suhubdy, Yoshua Bengio
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
- 34M
- Trainingsdaten
- 2,000,000 tokens
- Epochen
- 750
34M (Table 2)
code suggests 750 epochs https://github.com/kondiz/fraternal-dropout/blob/WT2/main.py
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
- 3.1 × 10¹⁷ FLOP
- Wie es etabliert wurde
- Operation counting
6 FLOP / token / parameter * 34000000 parameters * 2000000 tokens * 750 epochs = 3.06e+17 FLOP _________________ In the Algorithmic Progress paper, the compute was estimated to be 9.85 × 10¹⁶ FLOP, assuming 520 epochs reported for the PTB dataset.
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
- Open source
BSD-3 license: https://github.com/kondiz/fraternal-dropout
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
- 55
- Benchmark-Daten
- Fraternal dropout + AWD-LSTM 3-layer (WT2)
"We evaluate our model and achieve state-of-the-art results in sequence modeling tasks on two benchmark datasets – Penn Treebank and Wikitext-2"
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Fraternal Dropout
- Zuletzt aktualisiert
- 11 February 2026
Was die Zahlen bedeuten
Was dieses Modell ist
Fraternal dropout + AWD-LSTM 3-layer (WT2) wurde veröffentlicht von Jagiellonian University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal, im Land aufgezeichnet als Poland, während October 2017. Die veröffentlichende Organisation ist als academia,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.
Wie es trainiert wurde
Das Training benötigte ein Rechenbudget von ungefähr 3.1 × 10¹⁷ 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 2,000,000 Text-Tokens
Der Grund, warum es überhaupt in diesem Katalog erscheint: sOTA improvement.
Antworten
Fraternal dropout + AWD-LSTM 3-layer (WT2) — Häufige Fragen
Fraternal dropout + AWD-LSTM 3-layer (WT2)— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 3.1 × 10¹⁷ 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.
Fraternal dropout + AWD-LSTM 3-layer (WT2)— 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.
Fraternal dropout + AWD-LSTM 3-layer (WT2)— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
Fraternal dropout + AWD-LSTM 3-layer (WT2)— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 34M. 34M (Table 2). 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.
Fraternal dropout + AWD-LSTM 3-layer (WT2)— Wer hat es erstellt?
Es wurde veröffentlicht von Jagiellonian University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal, basiert auf Poland, eine als kategorisierte Organisation academia,Academia,Academia.
Fraternal dropout + AWD-LSTM 3-layer (WT2)— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in October 2017. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Fraternal dropout + AWD-LSTM 3-layer (WT2)— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
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.