genCNN + dyn eval
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
- Chinese Academy of Sciences,Huawei Noah's Ark Lab,Dublin City University
- Type d'organisation
- Academia,Industry,Academia
- Pays
- China, Ireland
- Publié
- 17 March 2015
- Auteurs
- Mingxuan Wang, Zhengdong Lu, Hang Li, Wenbin Jiang, Qun Liu
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
- 8M
- Données d'entraînement
- 929,000 tokens
8M according to https://arxiv.org/pdf/1508.06615
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
- 3.4 × 10¹⁶ FLOP
- Comment cela a été établi
- Hardware,Operation counting
5046000000000 FLOP / sec/ GPU * 1 GPU * 48 hours ["Likely" confidence since 2 days of training refer to another dataset] * 3600 sec / hour * 0.3 [assumed utilization] = 2.6158464e+17 FLOP Assuming (!) 100 epochs (-> "Speculative" confidence"): 6 FLOP / parameter / token * 8000000 parameters * 929000 tokens * 100 epochs = 4.4592e+15 FLOP sqrt(2.6158464e+17*4.4592e+15 ) = 3.4153451e+16 FLOP ________ in the algorithmic progress report paper the estimation was 7.3 × 10^16 FLOP (hardware-based es…
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 Tesla K40s
- Temps en temps réel
- 48 hours
" The optimization is done mainly on a Tesla K40 GPU, which takes about 2 days for the training on a dataset containing 1M sentences." this training doesn't refer to the PTB dataset but to wiki dataset so it is likely an upper bound
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.
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- Speculative
- Citations
- 33
- Données de référence
- genCNN + dyn eval
"genCNN outperforms the state-ofthe-arts with big margins."
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- genCNN: A Convolutional Architecture for Word Sequence Prediction
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
genCNN + dyn eval a été publié par Chinese Academy of Sciences,Huawei Noah's Ark Lab,Dublin City University, dans le pays enregistré comme China, durant March 2015. La catégorie à laquelle appartient l'éditeur est academia,Industry,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.
Comment il a été entraîné
L'entraînement a nécessité un budget de calcul d'environ 3.4 × 10¹⁶ FLOP, sur matériel enregistré comme NVIDIA Tesla K40s. 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 929,000 jetons de texte
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : sOTA improvement.
Réponses
genCNN + dyn eval — questions courantes
genCNN + dyn eval— 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.
genCNN + dyn eval— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 8M. 8M according to https://arxiv.org/pdf/1508.06615. 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.
genCNN + dyn eval— qui l'a créé ?
Il a été publié par Chinese Academy of Sciences,Huawei Noah's Ark Lab,Dublin City University, basé sur China, une organisation catégorisée comme academia,Industry,Academia.
genCNN + dyn eval— quand a-t-il été publié ?
Il a été publié dans March 2015. 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.
genCNN + dyn eval— 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.
genCNN + dyn eval— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.4 × 10¹⁶ FLOP, sur matériel enregistré comme NVIDIA Tesla K40s. 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.
genCNN + dyn eval— 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.