RNN (SGD+CLR) (PTB)
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en su propio hardware en ningún tamaño. Solo es accesible a través de su proveedor, y ninguna tarjeta gráfica lo cambia.
En registro
Especificación completa
Todo lo registrado para este modelo. La mayoría de ello describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se dedicó a ello 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
- 4 December 2012
- Autores
- Yoshua Bengio, Nicolas Boulanger-Lewandowski, Razvan Pascanu
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 utilizaron para entrenarlo. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Parámetros
- 2.1M
- Datos de entrenamiento
- tokens
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo cual es lo que decide si alguna de las cifras de la tarjeta gráfica en esta página aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Citations
- 665
- Benchmark data
- RNN (SGD+CLR) (PTB)
Fuentes
De dónde proviene este registro y cuándo fue revisado por última vez.
- Referencia
- Advances in Optimizing Recurrent Networks
- Última actualización
- 11 February 2026
Qué significan los números
De dónde vino
RNN (SGD+CLR) (PTB) was published by University of Montreal / Université de Montréal, in Canada, in December 2012. The organisation is categorised as academia.
It works in Language, and is recorded as doing language modeling.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en otro lugar de este sitio se aplica a él.
Respuestas
RNN (SGD+CLR) (PTB) — Preguntas frecuentes
What is RNN (SGD+CLR) (PTB) used for?
RNN (SGD+CLR) (PTB) works in Language, and is recorded as handling language modeling. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
What GPU do I need to run RNN (SGD+CLR) (PTB)?
None. RNN (SGD+CLR) (PTB) is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is RNN (SGD+CLR) (PTB) open source?
No. RNN (SGD+CLR) (PTB) has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does RNN (SGD+CLR) (PTB) have?
RNN (SGD+CLR) (PTB) has 2.1M parameters. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created RNN (SGD+CLR) (PTB)?
RNN (SGD+CLR) (PTB) was published by University of Montreal / Université de Montréal, based in Canada, categorised as academia.
When was RNN (SGD+CLR) (PTB) released?
RNN (SGD+CLR) (PTB) was published in December 2012. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posee una tarjeta y desea saber todo lo que podrá ejecutar, empiece por el hardware en su lugar.