LSTM (Hebbian, Cache, MbPA)
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
- DeepMind,University College London (UCL)
- Type d'organisation
- Industry,Academia
- Pays
- United Kingdom of Great Britain and Northern Ireland
- Publié
- 27 March 2018
- Auteurs
- Jack W Rae, Chris Dyer, Peter Dayan, Timothy P Lillicrap
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
- 530.4M
- Données d'entraînement
- 175,181,505 tokens
- Époques
- 80
- Taille de lot
- 51,200
Single layer LSTM with hidden dimension of 2048. Vocabulary for Gutenberg is 242,621; input and output embeddings are tied. Embedding layer (tied): 242,621 * 2048 = 496,887,808 LSTM layer: 4 * (2048 + 2048) * 2048 = 33,554,432 Total: 496,887,808 + 33,554,432 = 530,442,240
Omniglot: 32k images Wikitext-103: "Over 100 million tokens" Gutenberg: 175,181,505 tokens GigaWord v5: 4B tokens Gigaword is the largest dataset, but the largest training run uses Project Gutenberg.
Sequence length of 100, total of 512 batches. Batches are split between 8 GPUs.
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
- 3.3 × 10¹⁹ FLOP
- Comment cela a été établi
- Hardware,Operation counting
They do training runs on a vision task and three language datasets. The largest dataset by size is GigaWord, but the largest training run is on the Gutenberg dataset, at 15B tokens. I assume the input embedding is done with an embedding lookup for efficiency rather than a dense matrix multiplication, so we only count FLOPs on the de-embedding. Ops counting: 6 * 15B * 530,442,240 = 4.774e19 Hardware: (8 * 1.87e13) * (6 * 24 * 3600) * 0.3 = 2.327e19 Geometric mean: sqrt(4.774e19 * 2.327e19) =…
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA P100
- Chips utilisés
- 8
- Temps en temps réel
- 144 hours
- Consommation d'énergie
- 4.2 kW
- Coût de calcul
- $591
6 days
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
- Confident
- Citations
- 47
- Données de référence
- LSTM (Hebbian, Cache, MbPA)
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Fast Parametric Learning with Activation Memorization
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
À propos de ce modèle
LSTM (Hebbian, Cache, MbPA) a été publié par DeepMind,University College London (UCL), dans le pays enregistré comme United Kingdom of Great Britain and Northern Ireland, durant March 2018. L'organisation de publication est catégorisée comme industry,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
La production a nécessité des calculs totalisant environ 3.3 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA P100. 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 175,181,505 jetons de texte
Réponses
LSTM (Hebbian, Cache, MbPA) — questions courantes
LSTM (Hebbian, Cache, MbPA)— 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.
LSTM (Hebbian, Cache, MbPA)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.3 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA P100. 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 (Hebbian, Cache, MbPA)— 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 (Hebbian, Cache, MbPA)— 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 (Hebbian, Cache, MbPA)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 530.4M. Single layer LSTM with hidden dimension of 2048. Vocabulary for Gutenberg is 242,621; input and output embeddings are tied. Embedding layer (tied): 242,621 * 2048 = 496,887,808 LSTM layer: 4 * (2048 + 2048) * 2048 = 33,554,432 Total: 496,887,808 + 33,554,432 = 530,442,240. 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 (Hebbian, Cache, MbPA)— qui l'a créé ?
Il a été publié par DeepMind,University College London (UCL), basé sur United Kingdom of Great Britain and Northern Ireland, une organisation catégorisée comme industry,Academia.
LSTM (Hebbian, Cache, MbPA)— quand a-t-il été publié ?
Il a été publié dans March 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.
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.