LSTM(large)+Sememe+cell
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
- Tsinghua University,Beijing University of Posts and Telecommunications,Huawei Noah's Ark Lab
- Type d'organisation
- Academia,Academia,Industry
- Pays
- China
- Publié
- 20 October 2019
- Auteurs
- Yujia Qin, Fanchao Qi, Sicong Ouyang, Zhiyuan Liu, Cheng Yang, Yasheng Wang, Qun Liu, Maosong Sun
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
- 48M
- Données d'entraînement
- 2,000,000 tokens
- Époques
- 40
Based on the details in the paper, here is the calculation for the number of parameters in the LSTM(large)+Sememe+cell model: The model has 2 LSTM layers, each with 1500 hidden units. It uses the "+cell" method to incorporate sememes, which introduces an additional sememe-LSTM cell in each LSTM unit. For each original 1500 unit LSTM layer: Input size is 300 (embedding dimension) Hidden size is 1500 4 weight matrices of size 300 x 1500 = 450,000 params each 4 recurrent weight matrices of size…
"The maximum training epoch number is 40 and the gradient norm clip boundary is 0.25."
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
- 2.3 × 10¹⁶ FLOP
- Comment cela a été établi
- Operation counting
6 FLOP / token / parameter * 48000000 parameters * 2000000 tokens * 40 epochs = 2.304e+16 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
- Open (non-commercial)
code for WT/PTB. no license. https://github.com/thunlp/SememeRNN/blob/master/LM/main.py
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
- 19
- Données de référence
- LSTM(large)+Sememe+cell
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Improving Sequence Modeling Ability of Recurrent Neural Networks via Sememes
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
Ce que ce modèle est
LSTM(large)+Sememe+cell a été publié par Tsinghua University,Beijing University of Posts and Telecommunications,Huawei Noah's Ark Lab, dans le pays enregistré comme China, durant October 2019. L'organisation de publication est catégorisée comme academia,Academia,Industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Comment il a été entraîné
L'entraînement a nécessité un budget de calcul d'environ 2.3 × 10¹⁶ 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 2,000,000 jetons de texte
Réponses
LSTM(large)+Sememe+cell — questions courantes
LSTM(large)+Sememe+cell— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.3 × 10¹⁶ 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.
LSTM(large)+Sememe+cell— 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.
LSTM(large)+Sememe+cell— 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.
LSTM(large)+Sememe+cell— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 48M. Based on the details in the paper, here is the calculation for the number of parameters in the LSTM(large)+Sememe+cell model: The model has 2 LSTM layers, each with 1500 hidden units. It uses the "+cell" method to incorporate sememes, which introduces an additional sememe-LSTM cell in each LSTM unit. For each original 1500 unit LSTM layer: Input size is 300 (embedding dimension) Hidden size is 1500 4 weight matrices of size 300 x 1500 = 450,000 params each 4 recurrent weight matrices of size 1500 x 1500 = 2,250,000 params each 4 bias vectors of size 1500 = 6,000 params each Total = 450,000 x 4 + 2,250,000 x 4 + 6,000 x 4 = 12,006,000 For each sememe-LSTM cell: Input size is 2000 (number of sememes) Hidden size is 1500 Same weight and bias computations as above Total = 12,006,000 Since there are 2 LSTM layers each with a sememe-LSTM cell: Total params = 2 * (12,006,000 + 12,006,000) Total = 48,024,000 Therefore, the total number of parameters for the LSTM(large)+Sememe+cell model is approximately 48 million. 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.
LSTM(large)+Sememe+cell— qui l'a créé ?
Il a été publié par Tsinghua University,Beijing University of Posts and Telecommunications,Huawei Noah's Ark Lab, basé sur China, une organisation catégorisée comme academia,Academia,Industry.
LSTM(large)+Sememe+cell— quand a-t-il été publié ?
Il a été publié dans October 2019. 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.
LSTM(large)+Sememe+cell— 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.
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.