VD-RHN
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
- ETH Zurich,IDSIA
- Type d'organisation
- Academia,Academia
- Pays
- Switzerland
- Publié
- 12 July 2016
- Auteurs
- Julian Georg Zilly, Rupesh Kumar Srivastava, Jan Koutník, Jürgen Schmidhuber
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
- 32M
- Données d'entraînement
- 929,000 tokens
- Époques
- 20
"To examine the effect of recurrence depth we train RHNs with fixed total parameters (32 M)"
"Batch size was fixed to 20, sequence length for truncated backpropagation to 35, learning rate to 0.2, learning rate decay to 1.02 starting at 20 epochs, weight decay to 1e-7 and maximum gradient norm to 10."
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
- 3.6 × 10¹⁵ FLOP
- Comment cela a été établi
- Operation counting
6 FLOP / parameter / token * 32000000 parameters * 929000 tokens * 20 epochs = 3.56736e+15 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
MIT for code: https://github.com/jzilly/RecurrentHighwayNetworks
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
- 493
- Données de référence
- VD-RHN
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Recurrent Highway Networks
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
VD-RHN a été publié par ETH Zurich,IDSIA, dans le pays enregistré comme Switzerland, durant July 2016. L'organisation de publication est catégorisée comme academia,Academia.
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.
Entraînement et provenance
L'entraînement a nécessité un budget de calcul d'environ 3.6 × 10¹⁵ 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 929,000 jetons de texte
Réponses
VD-RHN — questions courantes
VD-RHN— 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.
VD-RHN— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 32M. "To examine the effect of recurrence depth we train RHNs with fixed total parameters (32 M)". 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.
VD-RHN— qui l'a créé ?
Il a été publié par ETH Zurich,IDSIA, basé sur Switzerland, une organisation catégorisée comme academia,Academia.
VD-RHN— quand a-t-il été publié ?
Il a été publié dans July 2016. 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.
VD-RHN— 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.
VD-RHN— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.6 × 10¹⁵ 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.
VD-RHN— 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.
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.