RNNLM + Dynamic KL Regularization (WT2)
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
- Northwestern University
- Type d'organisation
- Academia
- Pays
- United States of America
- Publié
- 27 April 2018
- Auteurs
- Thanapon Noraset, David Demeter, Doug Downey
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
- 87.6M
- Données d'entraînement
- 2,000,000 tokens
- Époques
- 20
Calculatable - 2-layer LSTM with 650 hidden units.
"Perplexity validation stops significantly improving after around 20 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
- 2.1 × 10¹⁶ FLOP
- Comment cela a été établi
- Operation counting
6 FLOP / parameter / token * 87600000 parameters * 2000000 tokens * 20 epochs = 2.1024e+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
- Unreleased
code, but not experiment code: https://github.com/northanapon/seqmodel/tree/aaai18
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
- 9
- Données de référence
- RNNLM + Dynamic KL Regularization (WT2)
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Controlling Global Statistics in Recurrent Neural Network Text Generation
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
D'où cela vient-il
RNNLM + Dynamic KL Regularization (WT2) a été publié par Northwestern University, dans le pays enregistré comme United States of America, durant April 2018. 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.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Comment il a été entraîné
L'entraînement a consommé environ 2.1 × 10¹⁶ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il a été entraîné sur un corpus d'environ 2,000,000 jetons de texte
Réponses
RNNLM + Dynamic KL Regularization (WT2) — questions courantes
RNNLM + Dynamic KL Regularization (WT2)— qui l'a créé ?
Il a été publié par Northwestern University, basé sur United States of America, une organisation catégorisée comme academia.
RNNLM + Dynamic KL Regularization (WT2)— quand a-t-il été publié ?
Il a été publié dans April 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.
RNNLM + Dynamic KL Regularization (WT2)— 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.
RNNLM + Dynamic KL Regularization (WT2)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.1 × 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.
RNNLM + Dynamic KL Regularization (WT2)— 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.
RNNLM + Dynamic KL Regularization (WT2)— 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.
RNNLM + Dynamic KL Regularization (WT2)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 87.6M. Calculatable - 2-layer LSTM with 650 hidden units. 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.
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.