RNN (SGD+CLR)
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
- University of Montreal / Université de Montréal
- Type d'organisation
- Academia
- Pays
- Canada
- Publié
- 14 December 2012
- Auteurs
- Yoshua Bengio, Nicolas Boulanger-Lewandowski and Razvan Pascanu
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Audio
- Tâche
- Language modeling, Audio generation
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
- 195.6K
- Données d'entraînement
- tokens
It uses 400 hidden units (selected via hyperparameter tuning) The input size is 88 (corresponding to the 88 piano pitches) It uses rectified linear units, so no activation function parameters So the number of parameters would be: Input to hidden weights: 88 * 400 = 35,200 Hidden to hidden weights: 400 * 400 = 160,000 Biases: 400 Total: ~195,600 parameters Above estimate is by Claude 2. Should be checked manually.
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
- Speculative
- Citations
- 647
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Advances in Optimizing Recurrent Networks
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
Ce que ce modèle est
RNN (SGD+CLR) a été publié par University of Montreal / Université de Montréal, dans le pays enregistré comme Canada, durant December 2012. Cela provient d'une organisation classée comme academia.
Il fonctionne dans le domaine de Audio, et est enregistré comme exécutant la tâche de language modeling, Audio generation.
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.
Réponses
RNN (SGD+CLR) — questions courantes
RNN (SGD+CLR)— à quoi ça sert ?
Il fonctionne dans le domaine de Audio, et est enregistré comme gérant la tâche de language modeling, Audio generation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
RNN (SGD+CLR)— 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.
RNN (SGD+CLR)— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
RNN (SGD+CLR)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 195.6K. It uses 400 hidden units (selected via hyperparameter tuning) The input size is 88 (corresponding to the 88 piano pitches) It uses rectified linear units, so no activation function parameters So the number of parameters would be: Input to hidden weights: 88 * 400 = 35,200 Hidden to hidden weights: 400 * 400 = 160,000 Biases: 400 Total: ~195,600 parameters Above estimate is by Claude 2. Should be checked manually. 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.
RNN (SGD+CLR)— qui l'a créé ?
Il a été publié par University of Montreal / Université de Montréal, basé sur Canada, une organisation catégorisée comme academia.
RNN (SGD+CLR)— quand a-t-il été publié ?
Il a été publié dans December 2012. 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.
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.