RNN (SGD+CLR)
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 Montreal / Université de Montréal
- Tipo de Organización
- Academia
- País
- Canada
- Publicado
- 14 December 2012
- Autores
- Yoshua Bengio, Nicolas Boulanger-Lewandowski and Razvan Pascanu
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Audio
- Tarea
- Language modeling, Audio generation
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
- 195.6K
- Datos de entrenamiento
- tokens
It uses 400 hidden units (selected via hyperparameter tuning) The input size is 88 (corresponding to the 88 piano pitches) It uses rectified linear units, so no activation function parameters So the number of parameters would be: Input to hidden weights: 88 * 400 = 35,200 Hidden to hidden weights: 400 * 400 = 160,000 Biases: 400 Total: ~195,600 parameters Above estimate is by Claude 2. Should be checked manually.
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
- Speculative
- Citas
- 647
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Advances in Optimizing Recurrent Networks
- Última actualización
- 11 February 2026
Qué significan los números
Qué es este modelo
RNN (SGD+CLR) fue publicado por University of Montreal / Université de Montréal, en el país registrado como Canada, durante December 2012. Sale de una organización categorizada como academia.
Funciona en el dominio de Audio, y se registra como realizando la tarea de language modeling, Audio generation.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Respuestas
RNN (SGD+CLR) — preguntas comunes
RNN (SGD+CLR)— ¿Para qué se utiliza?
Funciona en el dominio de Audio, y se registra como manejando la tarea de language modeling, Audio generation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
RNN (SGD+CLR)— ¿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.
RNN (SGD+CLR)— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
RNN (SGD+CLR)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 195.6K. It uses 400 hidden units (selected via hyperparameter tuning) The input size is 88 (corresponding to the 88 piano pitches) It uses rectified linear units, so no activation function parameters So the number of parameters would be: Input to hidden weights: 88 * 400 = 35,200 Hidden to hidden weights: 400 * 400 = 160,000 Biases: 400 Total: ~195,600 parameters Above estimate is by Claude 2. Should be checked manually. 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.
RNN (SGD+CLR)— ¿Quién lo creó?
Fue publicado por University of Montreal / Université de Montréal, basado en Canada, una organización categorizada como academia.
RNN (SGD+CLR)— ¿cuándo fue lanzado?
Se publicó en December 2012. 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.
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.