Predictive Coding NN
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
- Technical University of Munich
- Type d'organisation
- Academia
- Pays
- Germany
- Publié
- 2 December 1994
- Auteurs
- J. Schmidhuber, Stefan Heil
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
- 206.9K
- Données d'entraînement
- 600,000 tokens
- Époques
- 25
5*80*430+430+430*80+80=206910 "P has nk input units and k output units. n is called the "time-window size" "Note that the time-window was quite small (n = 5)." "alphabet consisted of k = 80 possible characters" "P had 430 hidden units"
Training dataset: 15000*40=600000 "The training set for the predictor was given by a set of 40 articles from the newspaper Miinchner M erkur, each containing between 10000 and 20000 characters."
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
- 1.9 × 10¹³ FLOP
- Comment cela a été établi
- Operation counting
2*206910*3*15000000=18621900000000=1.86e13 "The training phase consisted of 25 sweeps through the training set"
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.
- Modèle Frontier
- Yes
- Pourquoi c'est suivi
- Historical significance
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Predictive Coding with Neural Nets: Application to Text Compression
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
Predictive Coding NN a été publié par Technical University of Munich, dans le pays enregistré comme Germany, durant December 1994. La catégorie à laquelle appartient l'éditeur est academia.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Entraînement et provenance
La production a nécessité des calculs totalisant environ 1.9 × 10¹³ 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 600,000 jetons de texte
Son critère d'inclusion : historical significance.
Réponses
Predictive Coding NN — questions courantes
Predictive Coding NN— quand a-t-il été publié ?
Il a été publié dans December 1994. 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.
Predictive Coding NN— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
Predictive Coding NN— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.9 × 10¹³ 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.
Predictive Coding NN— 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.
Predictive Coding NN— 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.
Predictive Coding NN— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 206.9K. 5*80*430+430+430*80+80=206910 "P has nk input units and k output units. n is called the "time-window size" "Note that the time-window was quite small (n = 5)." "alphabet consisted of k = 80 possible characters" "P had 430 hidden units". 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.
Predictive Coding NN— qui l'a créé ?
Il a été publié par Technical University of Munich, basé sur Germany, une organisation catégorisée comme academia.
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.