RNN+LDA+KN5+cache
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
- Microsoft,Brno University of Technology
- Organisationsart
- Industry,Academia
- Land
- United States of America, Czechia
- Veröffentlicht
- 1 December 2012
- Autoren
- Tomas Mikolov, Geoffrey Zweig
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
- 9M
- Trainingsdaten
- 929,000 tokens
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
- Zitationen
- 716
- Benchmark-Daten
- RNN+LDA+KN5+cache
"We report perplexity results on the Penn Treebank data, where we achieve a new state-of-the-art"
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Context dependent recurrent neural network language model
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Über dieses Modell
RNN+LDA+KN5+cache wurde veröffentlicht von Microsoft,Brno University of Technology, im Land aufgezeichnet als United States of America, während December 2012. Die Kategorie, in die der Herausgeber fällt, ist industry,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
Training verbrauchte ein Korpus von etwa 929,000 Text-Tokens
Es wird aus einem bestimmten Grund im zugrunde liegenden Datensatz verfolgt: sOTA improvement.
Antworten
RNN+LDA+KN5+cache — Häufige Fragen
RNN+LDA+KN5+cache— 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.
RNN+LDA+KN5+cache— 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.
RNN+LDA+KN5+cache— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
RNN+LDA+KN5+cache— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 9M. 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.
RNN+LDA+KN5+cache— Wer hat es erstellt?
Es wurde veröffentlicht von Microsoft,Brno University of Technology, basiert auf United States of America, eine als kategorisierte Organisation industry,Academia.
RNN+LDA+KN5+cache— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in December 2012. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
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.