Fraternal dropout + AWD-LSTM 3-layer (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
- Jagiellonian University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal
- Type d'organisation
- Academia,Academia,Academia
- Pays
- Poland, Canada
- Publié
- 31 October 2017
- Auteurs
- Konrad Zolna, Devansh Arpit, Dendi Suhubdy, Yoshua Bengio
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
- 34M
- Données d'entraînement
- 2,000,000 tokens
- Époques
- 750
34M (Table 2)
code suggests 750 epochs https://github.com/kondiz/fraternal-dropout/blob/WT2/main.py
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
- 3.1 × 10¹⁷ FLOP
- Comment cela a été établi
- Operation counting
6 FLOP / token / parameter * 34000000 parameters * 2000000 tokens * 750 epochs = 3.06e+17 FLOP _________________ In the Algorithmic Progress paper, the compute was estimated to be 9.85 × 10¹⁶ FLOP, assuming 520 epochs reported for the PTB dataset.
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 source
BSD-3 license: https://github.com/kondiz/fraternal-dropout
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
- 55
- Données de référence
- Fraternal dropout + AWD-LSTM 3-layer (WT2)
"We evaluate our model and achieve state-of-the-art results in sequence modeling tasks on two benchmark datasets – Penn Treebank and Wikitext-2"
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Fraternal Dropout
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
Ce que ce modèle est
Fraternal dropout + AWD-LSTM 3-layer (WT2) a été publié par Jagiellonian University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal, dans le pays enregistré comme Poland, durant October 2017. L'organisation de publication est catégorisée comme academia,Academia,Academia.
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 3.1 × 10¹⁷ 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
La raison pour laquelle il apparaît dans ce catalogue. sOTA improvement.
Réponses
Fraternal dropout + AWD-LSTM 3-layer (WT2) — questions courantes
Fraternal dropout + AWD-LSTM 3-layer (WT2)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.1 × 10¹⁷ 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.
Fraternal dropout + AWD-LSTM 3-layer (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.
Fraternal dropout + AWD-LSTM 3-layer (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.
Fraternal dropout + AWD-LSTM 3-layer (WT2)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 34M. 34M (Table 2). 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.
Fraternal dropout + AWD-LSTM 3-layer (WT2)— qui l'a créé ?
Il a été publié par Jagiellonian University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal, basé sur Poland, une organisation catégorisée comme academia,Academia,Academia.
Fraternal dropout + AWD-LSTM 3-layer (WT2)— quand a-t-il été publié ?
Il a été publié dans October 2017. 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.
Fraternal dropout + AWD-LSTM 3-layer (WT2)— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
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.