AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (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
- Salesforce Research
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 7 August 2017
- Auteurs
- Stephen Merity, Nitish Shirish Keskar, Richard Socher
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
- 33M
- Données d'entraînement
- 2,000,000 tokens
- Époques
- 750
33M (Table 2)
"For training the models, we use the NT-ASGD algorithm discussed in the previous section for 750 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
- 3 × 10¹⁷ FLOP
- Comment cela a été établi
- Operation counting
6 FLOP / parameter / token * 33000000 parameters * 2000000 tokens * 750 epochs = 2.97e+17 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 source
bsd-3 license: https://github.com/salesforce/awd-lstm-lm train/eval code: https://github.com/salesforce/awd-lstm-lm/blob/master/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.
- Pourquoi c'est suivi
- Highly cited,SOTA improvement
- Confiance d'enregistrement
- Confident
- Citations
- 1,176
- Données de référence
- AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)
"we achieve an even lower state-of-the-art perplexity of 52.8 on Penn Treebank and 52.0 on WikiText-2."
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Regularizing and Optimizing LSTM Language Models
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
Contexte
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2) a été publié par Salesforce Research, dans le pays enregistré comme United States of America, durant August 2017. Cela provient d'une organisation classée comme industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
Ses poids n'ont jamais été publiés, donc il ne peut être atteint que par son fournisseur. Aucun changement de carte graphique ne change cela.
Comment il a été entraîné
La production a nécessité des calculs totalisant environ 3 × 10¹⁷ 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
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : highly cited,SOTA improvement.
Réponses
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2) — questions courantes
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— quand a-t-il été publié ?
Il a été publié dans August 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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3 × 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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 33M. 33M (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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— qui l'a créé ?
Il a été publié par Salesforce Research, basé sur United States of America, une organisation catégorisée comme industry.
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.