Large regularized 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
- New York University (NYU),Google Brain
- Organisationsart
- Academia,Industry
- Land
- United States of America
- Veröffentlicht
- 8 September 2014
- Autoren
- Wojciech Zaremba, Ilya Sutskever, Oriol Vinyals
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
- 66M
- Trainingsdaten
- 929,000 tokens
- Epochen
- 55
"The large LSTM has 1500 units per layer and its parameters are initialized uniformly in [−0.04, 0.04]" 66M according to Table 3 of https://arxiv.org/pdf/1611.01462
" We train the model for 55 epochs with a learning rate of 1"
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
- 4.3 × 10¹⁶ FLOP
- Wie es etabliert wurde
- Hardware,Operation counting
3520000000000 FLOP / s/ GPU [tesla k20c assumed, the paper says just "Nvidia k20"] * 1 GPU * 24 hours [could be less, they report "the entire day"] * 3600 s / hour * 0.3 [assumed utilization] = 9.12384e+16 FLOP 6 FLOP / parameter / token * 66000000 parameters * 929000 tokens * 55 epochs = 2.023362e+16 FLOP sqrt(2.023362e+16*9.12384e+16) = 4.2966069e+16
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 Tesla K20c
- Verwendete Chips
- 1
- Wand-Uhrzeit
- 24 hours
- Stromverbrauch
- 264 W
"Training this network takes an entire day on an NVIDIA K20 GPU."
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
Apache: https://github.com/wojzaremba/lstm train: https://github.com/wojzaremba/lstm/blob/master/main.lua
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Aufzeichnungsgenauigkeit
- Confident
- Zitationen
- 3,224
- Benchmark-Daten
- Large regularized LSTM
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Recurrent Neural Network Regularization
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Woher es kam
Large regularized LSTM wurde veröffentlicht von New York University (NYU),Google Brain, im Land aufgezeichnet als United States of America, während September 2014. Die veröffentlichende Organisation ist als academia,Industry.
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.
Was in den Aufbau geflossen ist
Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 4.3 × 10¹⁶ FLOP, auf Hardware erfasst als NVIDIA Tesla K20c. 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
Antworten
Large regularized LSTM — Häufige Fragen
Large regularized LSTM— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in September 2014. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Large regularized LSTM— 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.
Large regularized LSTM— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 4.3 × 10¹⁶ FLOP, auf Hardware erfasst als NVIDIA Tesla K20c. 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.
Large regularized 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.
Large regularized LSTM— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
Large regularized LSTM— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 66M. "The large LSTM has 1500 units per layer and its parameters are initialized uniformly in [−0.04, 0.04]" 66M according to Table 3 of 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.
Large regularized LSTM— Wer hat es erstellt?
Es wurde veröffentlicht von New York University (NYU),Google Brain, basiert auf United States of America, eine als kategorisierte Organisation academia,Industry.
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.