LSTM with forget gates
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
- IDSIA
- Tipo de Organización
- Academia
- País
- Switzerland
- Publicado
- 2 January 1999
- Autores
- F. A. Gers, J. Schmidhuber, and F. Cummins
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 Structure 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
- 0.3K
- Datos de entrenamiento
- 140,870,000 tokens
See Table 1
Training was stopped after at most 30000 training streams, each of which was ended when the first prediction error or the 100000th successive input symbol occurred NOTE this is a weird task. Not sure how to measure dataset size (#seqs? #symbols?)
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
- Citas
- 6,283
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Learning to forget: Continual prediction with LSTM
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
LSTM with forget gates fue publicado por IDSIA, en el país registrado como Switzerland, durante January 1999. Sale de una organización categorizada como academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language Structure 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
Fue entrenado en un corpus de aproximadamente 140,870,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: highly cited.
Respuestas
LSTM with forget gates — preguntas comunes
LSTM with forget gates— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language Structure Modeling. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
LSTM with forget gates— ¿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.
LSTM with forget gates— ¿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.
LSTM with forget gates— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 0.3K. See Table 1. 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.
LSTM with forget gates— ¿Quién lo creó?
Fue publicado por IDSIA, basado en Switzerland, una organización categorizada como academia.
LSTM with forget gates— ¿cuándo fue lanzado?
Se publicó en January 1999. 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.