Variational (untied weights, MC) LSTM (Large)
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 Cambridge
- Tipo de Organización
- Academia
- País
- United Kingdom of Great Britain and Northern Ireland
- Publicado
- 16 December 2015
- Autores
- Yarin Gal, Zoubin Ghahramani
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
- 66M
- Datos de entrenamiento
- 929,000 tokens
- Épocas
- 16
66M according to https://arxiv.org/pdf/1611.01462
"We had to use early stopping for the large model with [20]’s variant as the model starts overfitting after 16 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
- 5.9 × 10¹⁵ FLOP
- Cómo se estableció
- Operation counting
6 FLOP / parameter / token * 66000000 parameters * 929000 tokens * 16 epochs = 5.886144e+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
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
- Highly cited,SOTA improvement
- Confianza de registro
- Confident
- Citas
- 1,838
- Datos de referencia
- Variational (untied weights, MC) LSTM (Large)
"The new approach outperforms existing techniques, and to the best of our knowledge improves on the single model state-of-the-art in language modelling with the Penn Treebank (73.4 test perplexity)"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- A Theoretically Grounded Application of Dropout in Recurrent Neural Networks
- Última actualización
- 11 February 2026
Qué significan los números
Qué es este modelo
Variational (untied weights, MC) LSTM (Large) fue publicado por University of Cambridge, en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante December 2015. Sale de una organización categorizada como academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 5.9 × 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
Su criterio de inclusión: highly cited,SOTA improvement.
Respuestas
Variational (untied weights, MC) LSTM (Large) — preguntas comunes
Variational (untied weights, MC) LSTM (Large)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5.9 × 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.
Variational (untied weights, MC) LSTM (Large)— ¿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.
Variational (untied weights, MC) LSTM (Large)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Variational (untied weights, MC) LSTM (Large)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 66M. 66M according to https://arxiv.org/pdf/1611.01462. 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.
Variational (untied weights, MC) LSTM (Large)— ¿Quién lo creó?
Fue publicado por University of Cambridge, basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como academia.
Variational (untied weights, MC) LSTM (Large)— ¿cuándo fue lanzado?
Se publicó en December 2015. 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.
Variational (untied weights, MC) LSTM (Large)— ¿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.
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.