LBL
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 College London (UCL)
- Organisationsart
- Academia
- Land
- United Kingdom of Great Britain and Northern Ireland
- Veröffentlicht
- 27 June 2012
- Autoren
- Andriy Mnih, Yee Whye Teh
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
- 2M
- Trainingsdaten
- 929,000 tokens
- Epochen
- 45
Vocabulary size (V) = 10,000 words Context size (c) = 2 words Feature dimension (d) = 100 Plugging this into the parameter count: Context word features: 10,000 x 100 = 1,000,000 Target word features: 10,000 x 100 = 1,000,000 Context weights: 2 x 100 x 100 = 20,000 Total parameters: 1,000,000 + 1,000,000 + 20,000 = 2,020,000 So for the LBL model configuration used in the experiments in this paper, with a 10K word vocabulary, 2-word context, and 100D feature vectors, the total number of parameter…
The paper does not explicitly state the number of epochs used for training the LBL models. However, it provides some relevant information: In Section 4, it mentions that the learning rates were adapted at the end of each epoch based on the validation set perplexity. In Section 4.1, it states: "NCE took about twice as many epochs as ML to converge." For maximum likelihood (ML) training, the training time is reported as 21 hours. So we can deduce: ML training took 21 hours and NCE took twice …
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 × 10¹⁴ FLOP
- Wie es etabliert wurde
- Operation counting
6 FLOP / parameter / token * 2000000 parameters ['Likely' confidence] * 929000 tokens * 45 epochs ["Likely" confidence] = 5.0166e+14 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.
- Aufzeichnungsgenauigkeit
- Likely
- Zitationen
- 835
- Benchmark-Daten
- LBL
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- A Fast and Simple Algorithm for Training Neural Probabilistic Language Models
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Über dieses Modell
LBL wurde veröffentlicht von University College London (UCL), im Land aufgezeichnet als United Kingdom of Great Britain and Northern Ireland, während June 2012. Die Kategorie, in die der Herausgeber fällt, ist 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
Der Trainingslauf verbrauchte etwa 5 × 10¹⁴ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Der Trainingssatz lief auf etwa 929,000 Text-Tokens
Antworten
LBL — Häufige Fragen
LBL— 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.
LBL— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
LBL— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 2M. Vocabulary size (V) = 10,000 words Context size (c) = 2 words Feature dimension (d) = 100 Plugging this into the parameter count: Context word features: 10,000 x 100 = 1,000,000 Target word features: 10,000 x 100 = 1,000,000 Context weights: 2 x 100 x 100 = 20,000 Total parameters: 1,000,000 + 1,000,000 + 20,000 = 2,020,000 So for the LBL model configuration used in the experiments in this paper, with a 10K word vocabulary, 2-word context, and 100D feature vectors, the total number of parameters is approximately 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.
LBL— Wer hat es erstellt?
Es wurde veröffentlicht von University College London (UCL), basiert auf United Kingdom of Great Britain and Northern Ireland, eine als kategorisierte Organisation academia.
LBL— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in June 2012. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
LBL— 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.
LBL— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 5 × 10¹⁴ 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.
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.