LSTM+NeuralCache
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
- KU Leuven,ESAT - PSI,Apple
- Type d'organisation
- Academia,Academia,Industry
- Pays
- Belgium, United States of America
- Publié
- 24 September 2018
- Auteurs
- Lyan Verwimp, Joris Pelemans, Hugo Van hamme, Patrick Wambacq
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
- Format numérique
- FP32
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
- 2.1M
- Données d'entraînement
- 2,000,000 tokens
- Époques
- 39
Given: Hidden size (H) = 512 Number of hidden layers (L) = 1 Input size (I) is not mentioned, so let's denote it as I The total number of parameters P in an LSTM can be calculated as follows: P = 4 * ((I * H) + (H * H) + H) This is for one layer of LSTM cells. Since the LSTM model described has only one layer, we don't need to multiply by the number of layers. To calculate the exact number of parameters, we would need to know the input size I. However, if you are looking for the number of pa…
" we stop training anyway after 39 epochs"
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
- 9.8 × 10¹⁴ FLOP
- Comment cela a été établi
- Operation counting
6 FLOP / parameter / token * 2100000 parameters * 2000000 tokens * 39 epochs = 9.828e+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.
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- Likely
- Citations
- 3
- Données de référence
- LSTM+NeuralCache
"We obtain a 29.9%/32.1% (validation/test set) relative improvement in perplexity with respect to a baseline LSTM LM on the WikiText-2 dataset, outperforming previous work on neural cache LMs" ... "we observe that neural cache models consistently outperform regular cache models on this dataset."
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Information-Weighted Neural Cache Language Models for ASR
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
LSTM+NeuralCache a été publié par KU Leuven,ESAT - PSI,Apple, dans le pays enregistré comme Belgium, durant September 2018. La catégorie à laquelle appartient l'éditeur est 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.
Entraînement et provenance
La production a nécessité des calculs totalisant environ 9.8 × 10¹⁴ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'ensemble d'entraînement a duré environ 2,000,000 jetons de texte
La raison pour laquelle il apparaît dans ce catalogue. sOTA improvement.
Réponses
LSTM+NeuralCache — questions courantes
LSTM+NeuralCache— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 9.8 × 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.
LSTM+NeuralCache— 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+NeuralCache— 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+NeuralCache— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 2.1M. Given: Hidden size (H) = 512 Number of hidden layers (L) = 1 Input size (I) is not mentioned, so let's denote it as I The total number of parameters P in an LSTM can be calculated as follows: P = 4 * ((I * H) + (H * H) + H) This is for one layer of LSTM cells. Since the LSTM model described has only one layer, we don't need to multiply by the number of layers. To calculate the exact number of parameters, we would need to know the input size I. However, if you are looking for the number of parameters just within a single LSTM cell (assuming I is equal to H), then you can substitute I with H in the above formula: P = 4 * ((H * H) + (H * H) + H) = 4 * (2 * (H^2) + H) For H = 512, this becomes: P = 4 * (2 * (512^2) + 512) = 4 * (2 * 262144 + 512) = 4 * (524288 + 512) = 4 * 524800 ≈ 2,099,200. 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+NeuralCache— qui l'a créé ?
Il a été publié par KU Leuven,ESAT - PSI,Apple, basé sur Belgium, une organisation catégorisée comme academia,Academia,Industry.
LSTM+NeuralCache— quand a-t-il été publié ?
Il a été publié dans September 2018. 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+NeuralCache— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
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.