aLSTM(depth-2)+RecurrentPolicy (WT2)
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- University of Manchester,Alan Turing Institute
- Tipo de Organización
- Academia,Government
- País
- United Kingdom of Great Britain and Northern Ireland
- Publicado
- 22 May 2018
- Autores
- Sebastian Flennerhag, Hujun Yin, John Keane, Mark Elliot
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Language modeling
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 32M
- Datos de entrenamiento
- 2,000,000 tokens
- Épocas
- 190
32M (Table 3)
"Both models are trained for 10 000 steps with a batch size of 50 and a learning rate of 0.003." "Without tuning for WT2, both outperform previously published results in 150 epochs (table 3) and converge to new state of the art performance in 190 epochs"
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 7.3 × 10¹⁶ FLOP
- Cómo se estableció
- Operation counting
6 FLOP / token / parameter * 32000000 parameters * 2000000 tokens * 190 epochs = 7.296e+16 FLOP
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Open source
BSD-3 license: https://github.com/flennerhag/alstm/tree/master/examples
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Confident
- Citas
- 12
- Datos de referencia
- aLSTM(depth-2)+RecurrentPolicy (WT2)
"Without tuning for WT2, both outperform previously published results in 150 epochs (table 3) and converge to new state of the art performance in 190 epochs"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Breaking the Activation Function Bottleneck through Adaptive Parameterization
- Última actualización
- 11 February 2026
Qué significan los números
De dónde vino
aLSTM(depth-2)+RecurrentPolicy (WT2) fue publicado por University of Manchester,Alan Turing Institute, en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante May 2018. Sale de una organización categorizada como academia,Government.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Entrenamiento y procedencia
El entrenamiento consumió alrededor de 7.3 × 10¹⁶ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 2,000,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
aLSTM(depth-2)+RecurrentPolicy (WT2) — preguntas comunes
aLSTM(depth-2)+RecurrentPolicy (WT2)— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
aLSTM(depth-2)+RecurrentPolicy (WT2)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
aLSTM(depth-2)+RecurrentPolicy (WT2)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 32M. 32M (Table 3). Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
aLSTM(depth-2)+RecurrentPolicy (WT2)— ¿Quién lo creó?
Fue publicado por University of Manchester,Alan Turing Institute, basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como academia,Government.
aLSTM(depth-2)+RecurrentPolicy (WT2)— ¿cuándo fue lanzado?
Se publicó en May 2018. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
aLSTM(depth-2)+RecurrentPolicy (WT2)— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
aLSTM(depth-2)+RecurrentPolicy (WT2)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 7.3 × 10¹⁶ FLOP. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.