DiffStk-MRNN
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Pennsylvania State University,Rochester Institute of Technology
- Szervezet típusa
- Academia,Academia
- Ország
- United States of America
- Közölt
- 4 April 2020
- Szerzők
- Ankur Mali, Alexander Ororbia, Daniel Kifer, Clyde Lee Giles
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Language modeling
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Paraméterek
- 1M
- Képzési adatok
- 912,344 tokens
- Epochok
- 50
All models trained on this dataset consisted of 100 hidden units Okay, let's break this down: - RNN with 1 hidden layer - 100 hidden units - Vocabulary size = 10,000 The RNN layer will have: - Input weight matrix U: dimensions (vocab size x hidden size) = (10,000 x 100) = 1,000,000 parameters - Recurrent weight matrix W: dimensions (hidden size x hidden size) = (100 x 100) = 10,000 parameters - Bias vector b: (hidden size) = (100) = 100 parameters So the total parameters is: U = 1,000,0…
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 2.8 × 10¹⁴ FLOP
- Hogyan jött létre
- Operation counting
6 FLOP / token / parameter * 1010000 parameters * 912 344 tokens * 50 epochs = 2.7644023e+14 FLOP
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Closed — provider access only
- Modell hozzáférés
- Unreleased
- Képzés kód
- Unreleased
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Likely
- Hivatkozások
- 14
- Benchmark adatok
- DiffStk-MRNN
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Recognizing Long Grammatical Sequences Using Recurrent Networks Augmented With An External Differentiable Stack
- Utoljára frissítve
- 1 December 2025
Mit jelentenek a számok
Háttér
DiffStk-MRNN ki lett adva által Pennsylvania State University,Rochester Institute of Technology, az országban rögzítve mint United States of America, alatt April 2020. A kiadó kategóriája alá tartozik academia,Academia.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Képzés és származás
A betanításhoz körülbelül egy számítási költségvetés kellett 2.8 × 10¹⁴ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A képzés körülbelül egy korpuszt fogyasztott 912,344 szöveg tokenjei
Válaszok
DiffStk-MRNN — gyakori kérdések
DiffStk-MRNN— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
DiffStk-MRNN— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 2.8 × 10¹⁴ FLOP. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
DiffStk-MRNN— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
DiffStk-MRNN— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
DiffStk-MRNN— Hány paramétere van?
Paraméterszáma 1M. All models trained on this dataset consisted of 100 hidden units Okay, let's break this down: - RNN with 1 hidden layer - 100 hidden units - Vocabulary size = 10,000 The RNN layer will have: - Input weight matrix U: dimensions (vocab size x hidden size) = (10,000 x 100) = 1,000,000 parameters - Recurrent weight matrix W: dimensions (hidden size x hidden size) = (100 x 100) = 10,000 parameters - Bias vector b: (hidden size) = (100) = 100 parameters So the total parameters is: U = 1,000,000 W = 10,000 b = 100 Total parameters = U + W + b = 1,000,000 + 10,000 + 100 = 1,010,100 Therefore, the total number of parameters for this 1-layer RNN with 100 hidden units and 10,000 vocab size is 1,010,100. Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
DiffStk-MRNN— Ki készítette ezt?
Kiadta Pennsylvania State University,Rochester Institute of Technology, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia,Academia.
DiffStk-MRNN— Mikor adták ki?
Kibocsátották a April 2020. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..