Large regularized LSTM
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
- New York University (NYU),Google Brain
- Type d'organisation
- Academia,Industry
- Pays
- United States of America
- Publié
- 8 September 2014
- Auteurs
- Wojciech Zaremba, Ilya Sutskever, Oriol Vinyals
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
- 66M
- Données d'entraînement
- 929,000 tokens
- Époques
- 55
"The large LSTM has 1500 units per layer and its parameters are initialized uniformly in [−0.04, 0.04]" 66M according to Table 3 of https://arxiv.org/pdf/1611.01462
" We train the model for 55 epochs with a learning rate of 1"
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
- 4.3 × 10¹⁶ FLOP
- Comment cela a été établi
- Hardware,Operation counting
3520000000000 FLOP / s/ GPU [tesla k20c assumed, the paper says just "Nvidia k20"] * 1 GPU * 24 hours [could be less, they report "the entire day"] * 3600 s / hour * 0.3 [assumed utilization] = 9.12384e+16 FLOP 6 FLOP / parameter / token * 66000000 parameters * 929000 tokens * 55 epochs = 2.023362e+16 FLOP sqrt(2.023362e+16*9.12384e+16) = 4.2966069e+16
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 K20c
- Chips utilisés
- 1
- Temps en temps réel
- 24 hours
- Consommation d'énergie
- 264 W
"Training this network takes an entire day on an NVIDIA K20 GPU."
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
Apache: https://github.com/wojzaremba/lstm train: https://github.com/wojzaremba/lstm/blob/master/main.lua
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
- 3,224
- Données de référence
- Large regularized LSTM
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Recurrent Neural Network Regularization
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
D'où cela vient-il
Large regularized LSTM a été publié par New York University (NYU),Google Brain, dans le pays enregistré comme United States of America, durant September 2014. L'organisation de publication est catégorisée comme academia,Industry.
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.
Qu'est-ce qui a été nécessaire pour le construire
La production a nécessité des calculs totalisant environ 4.3 × 10¹⁶ FLOP, sur matériel enregistré comme NVIDIA Tesla K20c. 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
Réponses
Large regularized LSTM — questions courantes
Large regularized LSTM— quand a-t-il été publié ?
Il a été publié dans September 2014. 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.
Large regularized LSTM— 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.
Large regularized LSTM— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 4.3 × 10¹⁶ FLOP, sur matériel enregistré comme NVIDIA Tesla K20c. 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.
Large regularized LSTM— 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.
Large regularized LSTM— 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.
Large regularized LSTM— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 66M. "The large LSTM has 1500 units per layer and its parameters are initialized uniformly in [−0.04, 0.04]" 66M according to Table 3 of https://arxiv.org/pdf/1611.01462. 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.
Large regularized LSTM— qui l'a créé ?
Il a été publié par New York University (NYU),Google Brain, basé sur United States of America, une organisation catégorisée comme academia,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.