RNNLM + Dynamic KL Regularization
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
- Northwestern University
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 1 January 2018
- Autores
- Thanapon Noraset, David Demeter, Doug Downey
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
- 13.3M
- Datos de entrenamiento
- tokens
- Épocas
- 20
2-layer LSTM, 650 hidden units per layer, embedding size = 650. Penn Treebank standard vocab = ~10k words (from Zaremba et al. 2014) 2 * (4 * (650*650 + 650*650 + 650)) + (650*10000)+10000 = 13275200
Penn Treebank known to have 930k tokens
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
- 5 × 10¹⁴ FLOP
((8*650*(650+650))*2)*2 * 930000 tokens/epoch * 20 epochs = 5.029e14. batch size assumed from prior literature
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
- Unreleased
code, but not experiment code: https://github.com/northanapon/seqmodel/tree/aaai18
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Likely
- Citas
- 9
- Datos de referencia
- RNNLM + Dynamic KL Regularization
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Controlling Global Statistics in Recurrent Neural Network Text Generation
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
RNNLM + Dynamic KL Regularization fue publicado por Northwestern University, en el país registrado como United States of America, durante January 2018. La organización editora está clasificada como academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Entrenamiento y procedencia
El entrenamiento consumió alrededor de 5 × 10¹⁴ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
RNNLM + Dynamic KL Regularization — preguntas comunes
RNNLM + Dynamic KL Regularization— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 13.3M. 2-layer LSTM, 650 hidden units per layer, embedding size = 650. Penn Treebank standard vocab = ~10k words (from Zaremba et al. 2014) 2 * (4 * (650*650 + 650*650 + 650)) + (650*10000)+10000 = 13275200. 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.
RNNLM + Dynamic KL Regularization— ¿Quién lo creó?
Fue publicado por Northwestern University, basado en United States of America, una organización categorizada como academia.
RNNLM + Dynamic KL Regularization— ¿cuándo fue lanzado?
Se publicó en January 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.
RNNLM + Dynamic KL Regularization— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
RNNLM + Dynamic KL Regularization— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5 × 10¹⁴ 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.
RNNLM + Dynamic KL Regularization— ¿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.
RNNLM + Dynamic KL Regularization— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
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.