AFP+FPI (PTB)
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- University of Sheffield
- Type d'organisation
- Academia
- Pays
- United Kingdom of Great Britain and Northern Ireland
- Publié
- 4 June 2021
- Auteurs
- Zhengxiong Wang, Anton Ragni
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language
- Tâche
- Language modeling
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 2M
- Données d'entraînement
- 912,344 tokens
- Époques
- 20
- RNN with 1 hidden layer - 200 hidden units - Vocabulary size = 10,000 The RNN layer will have: - Input weight matrix U: (vocab size x hidden size) = (10,000 x 200) = 2,000,000 parameters - Recurrent weight matrix W: (hidden size x hidden size) = (200 x 200) = 40,000 parameters - Bias vector b: (hidden size) = (200) = 200 parameters Total parameters: U = 2,000,000 W = 40,000 b = 200 Total parameters = U + W + b = 2,000,000 + 40,000 + 200 = 2,040,200 Therefore,…
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 2.2 × 10¹⁴ FLOP
- Comment cela a été établi
- Operation counting
6 FLOP / parameter / token * 2,040,200 parameters * 912344 tokens * 20 epochs = 2.2336371e+14 FLOP
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Unreleased
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Likely
- Citations
- 4
- Données de référence
- AFP+FPI (PTB)
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Approximate Fixed-Points in Recurrent Neural Networks
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
Contexte
AFP+FPI (PTB) a été publié par University of Sheffield, dans le pays enregistré comme United Kingdom of Great Britain and Northern Ireland, durant June 2021. Cela provient d'une organisation classée comme academia.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
Ses poids n'ont jamais été publiés, donc il ne peut être atteint que par son fournisseur. Aucun changement de carte graphique ne change cela.
Comment il a été entraîné
L'entraînement a consommé environ 2.2 × 10¹⁴ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'entraînement a consommé un corpus d'environ 912,344 jetons de texte
Réponses
AFP+FPI (PTB) — questions courantes
AFP+FPI (PTB)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 2M. - RNN with 1 hidden layer - 200 hidden units - Vocabulary size = 10,000 The RNN layer will have: - Input weight matrix U: (vocab size x hidden size) = (10,000 x 200) = 2,000,000 parameters - Recurrent weight matrix W: (hidden size x hidden size) = (200 x 200) = 40,000 parameters - Bias vector b: (hidden size) = (200) = 200 parameters Total parameters: U = 2,000,000 W = 40,000 b = 200 Total parameters = U + W + b = 2,000,000 + 40,000 + 200 = 2,040,200 Therefore, the total number of parameters with 200 hidden units and 10,000 vocab size is 2,040,200. _______ from the Algorithmic progress paper spreadsheet. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
AFP+FPI (PTB)— qui l'a créé ?
Il a été publié par University of Sheffield, basé sur United Kingdom of Great Britain and Northern Ireland, une organisation catégorisée comme academia.
AFP+FPI (PTB)— quand a-t-il été publié ?
Il a été publié dans June 2021. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
AFP+FPI (PTB)— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
AFP+FPI (PTB)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.2 × 10¹⁴ FLOP. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
AFP+FPI (PTB)— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
AFP+FPI (PTB)— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.