Predictive Coding NN
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
- Technical University of Munich
- Tipo de Organización
- Academia
- País
- Germany
- Publicado
- 2 December 1994
- Autores
- J. Schmidhuber, Stefan Heil
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 usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 206.9K
- Datos de entrenamiento
- 600,000 tokens
- Épocas
- 25
5*80*430+430+430*80+80=206910 "P has nk input units and k output units. n is called the "time-window size" "Note that the time-window was quite small (n = 5)." "alphabet consisted of k = 80 possible characters" "P had 430 hidden units"
Training dataset: 15000*40=600000 "The training set for the predictor was given by a set of 40 articles from the newspaper Miinchner M erkur, each containing between 10000 and 20000 characters."
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
- 1.9 × 10¹³ FLOP
- Cómo se estableció
- Operation counting
2*206910*3*15000000=18621900000000=1.86e13 "The training phase consisted of 25 sweeps through the training set"
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Modelo Frontier
- Yes
- Por qué se rastrea
- Historical significance
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Predictive Coding with Neural Nets: Application to Text Compression
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
Predictive Coding NN fue publicado por Technical University of Munich, en el país registrado como Germany, durante December 1994. La categoría en la que se encuentra el editor es academia.
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 1.9 × 10¹³ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El entrenamiento consumió un corpus de alrededor de 600,000 tokens de texto
Su criterio de inclusión: historical significance.
Respuestas
Predictive Coding NN — preguntas comunes
Predictive Coding NN— ¿cuándo fue lanzado?
Se publicó en December 1994. 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.
Predictive Coding NN— ¿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.
Predictive Coding NN— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.9 × 10¹³ 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.
Predictive Coding NN— ¿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.
Predictive Coding NN— ¿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.
Predictive Coding NN— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 206.9K. 5*80*430+430+430*80+80=206910 "P has nk input units and k output units. n is called the "time-window size" "Note that the time-window was quite small (n = 5)." "alphabet consisted of k = 80 possible characters" "P had 430 hidden units". 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.
Predictive Coding NN— ¿Quién lo creó?
Fue publicado por Technical University of Munich, basado en Germany, una organización categorizada como academia.
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.