2-layer-LSTM+Deep-Gradient-Compression
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
- Tsinghua University,Stanford University,NVIDIA
- Tipo de Organización
- Academia,Academia,Industry
- País
- China, United States of America
- Publicado
- 5 December 2017
- Autores
- Yujun Lin, Song Han, Huizi Mao, Yu Wang, William J. Dally
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
- Formato numérico
- FP32
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
- 6M
- Datos de entrenamiento
- 929,000 tokens
- Épocas
- 40
Here is a summary of the calculations to determine the number of parameters in the 2-layer LSTM model with Deep Gradient Compression described in the paper: Model has 2 LSTM layers with 1500 hidden units each For an LSTM layer: W matrix: number of hidden units * input dimension U matrix: number of hidden units * number of hidden units 4 bias vectors with size = number of hidden units So params per LSTM layer = hidden_units * (input_dim + hidden_units + 4) For layer 1: Input dim is word embe…
" The warm-up period is 1 epoch out of 40 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
- 1.3 × 10¹⁵ FLOP
- Cómo se estableció
- Operation counting
6 FLOP / parameter / token * 6020000 parameters ['Likely' confidence] * 929000 tokens * 40 epochs = 1.3422192e+15 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
- Unreleased
repo, but no code for language modeling: https://github.com/synxlin/deep-gradient-compression
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
- 1,627
- Datos de referencia
- 2-layer-LSTM+Deep-Gradient-Compression
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Deep Gradient Compression: Reducing the Communication Bandwidth for Distributed Training
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
2-layer-LSTM+Deep-Gradient-Compression fue publicado por Tsinghua University,Stanford University,NVIDIA, en el país registrado como China, durante December 2017. Sale de una organización categorizada como academia,Academia,Industry.
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
Producirlo requirió una aritmética que totaliza alrededor de 1.3 × 10¹⁵ 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 929,000 tokens de texto
Respuestas
2-layer-LSTM+Deep-Gradient-Compression — preguntas comunes
2-layer-LSTM+Deep-Gradient-Compression— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
2-layer-LSTM+Deep-Gradient-Compression— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 6M. Here is a summary of the calculations to determine the number of parameters in the 2-layer LSTM model with Deep Gradient Compression described in the paper: Model has 2 LSTM layers with 1500 hidden units each For an LSTM layer: W matrix: number of hidden units * input dimension U matrix: number of hidden units * number of hidden units 4 bias vectors with size = number of hidden units So params per LSTM layer = hidden_units * (input_dim + hidden_units + 4) For layer 1: Input dim is word embedding size (estimated 300) Params = 1500 * (300 + 1500 + 4) = 1,512,000 For layer 2: Input is previous layer output (1500) Params = 1500 * (1500 + 1500 + 4) = 4,506,000 Total Params = Layer 1 + Layer 2 = 1,512,000 + 4,506,000 = 6,018,000 The Deep Gradient Compression technique does not change number of parameters. So total parameters for the model is approximately 6 million. 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.
2-layer-LSTM+Deep-Gradient-Compression— ¿Quién lo creó?
Fue publicado por Tsinghua University,Stanford University,NVIDIA, basado en China, una organización categorizada como academia,Academia,Industry.
2-layer-LSTM+Deep-Gradient-Compression— ¿cuándo fue lanzado?
Se publicó en December 2017. 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.
2-layer-LSTM+Deep-Gradient-Compression— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
2-layer-LSTM+Deep-Gradient-Compression— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.3 × 10¹⁵ 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.
2-layer-LSTM+Deep-Gradient-Compression— ¿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.
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.