Variational (untied weights, MC) LSTM (Large)
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 Cambridge
- Organisationsart
- Academia
- Land
- United Kingdom of Great Britain and Northern Ireland
- Veröffentlicht
- 16 December 2015
- Autoren
- Yarin Gal, Zoubin Ghahramani
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Language
- Aufgabe
- Language modeling
- Numerisches Format
- FP32
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
- 66M
- Trainingsdaten
- 929,000 tokens
- Epochen
- 16
66M according to https://arxiv.org/pdf/1611.01462
"We had to use early stopping for the large model with [20]’s variant as the model starts overfitting after 16 epochs."
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
- 5.9 × 10¹⁵ FLOP
- Wie es etabliert wurde
- Operation counting
6 FLOP / parameter / token * 66000000 parameters * 929000 tokens * 16 epochs = 5.886144e+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
- Highly cited,SOTA improvement
- Aufzeichnungsgenauigkeit
- Confident
- Zitationen
- 1,838
- Benchmark-Daten
- Variational (untied weights, MC) LSTM (Large)
"The new approach outperforms existing techniques, and to the best of our knowledge improves on the single model state-of-the-art in language modelling with the Penn Treebank (73.4 test perplexity)"
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- A Theoretically Grounded Application of Dropout in Recurrent Neural Networks
- Zuletzt aktualisiert
- 11 February 2026
Was die Zahlen bedeuten
Was dieses Modell ist
Variational (untied weights, MC) LSTM (Large) wurde veröffentlicht von University of Cambridge, im Land aufgezeichnet als United Kingdom of Great Britain and Northern Ireland, während December 2015. Es stammt aus einer Organisation, die kategorisiert ist als 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 5.9 × 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
Das Einschlusskriterium: highly cited,SOTA improvement.
Antworten
Variational (untied weights, MC) LSTM (Large) — Häufige Fragen
Variational (untied weights, MC) LSTM (Large)— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 5.9 × 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.
Variational (untied weights, MC) LSTM (Large)— 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.
Variational (untied weights, MC) LSTM (Large)— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
Variational (untied weights, MC) LSTM (Large)— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 66M. 66M according to https://arxiv.org/pdf/1611.01462. 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.
Variational (untied weights, MC) LSTM (Large)— Wer hat es erstellt?
Es wurde veröffentlicht von University of Cambridge, basiert auf United Kingdom of Great Britain and Northern Ireland, eine als kategorisierte Organisation academia.
Variational (untied weights, MC) LSTM (Large)— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in December 2015. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Variational (untied weights, MC) LSTM (Large)— 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.