aLSTM(depth-2)+RecurrentPolicy (WT2)
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
- University of Manchester,Alan Turing Institute
- Szervezet típusa
- Academia,Government
- Ország
- United Kingdom of Great Britain and Northern Ireland
- Közölt
- 22 May 2018
- Szerzők
- Sebastian Flennerhag, Hujun Yin, John Keane, Mark Elliot
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
- 32M
- Képzési adatok
- 2,000,000 tokens
- Epochok
- 190
32M (Table 3)
"Both models are trained for 10 000 steps with a batch size of 50 and a learning rate of 0.003." "Without tuning for WT2, both outperform previously published results in 150 epochs (table 3) and converge to new state of the art performance in 190 epochs"
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
- 7.3 × 10¹⁶ FLOP
- Hogyan jött létre
- Operation counting
6 FLOP / token / parameter * 32000000 parameters * 2000000 tokens * 190 epochs = 7.296e+16 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
- Open source
BSD-3 license: https://github.com/flennerhag/alstm/tree/master/examples
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- SOTA improvement
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 12
- Benchmark adatok
- aLSTM(depth-2)+RecurrentPolicy (WT2)
"Without tuning for WT2, both outperform previously published results in 150 epochs (table 3) and converge to new state of the art performance in 190 epochs"
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Breaking the Activation Function Bottleneck through Adaptive Parameterization
- Utoljára frissítve
- 11 February 2026
Mit jelentenek a számok
Honnan jött
aLSTM(depth-2)+RecurrentPolicy (WT2) ki lett adva által University of Manchester,Alan Turing Institute, az országban rögzítve mint United Kingdom of Great Britain and Northern Ireland, alatt May 2018. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Government.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling.
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Képzés és származás
A képzés futás körülbelül 7.3 × 10¹⁶ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Körülbelül egy korpuszon lett betanítva 2,000,000 szöveg tokenjei
Az oka, hogy egyáltalán megjelenik ebben a katalógusban: sOTA improvement.
Válaszok
aLSTM(depth-2)+RecurrentPolicy (WT2) — gyakori kérdések
aLSTM(depth-2)+RecurrentPolicy (WT2)— 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.
aLSTM(depth-2)+RecurrentPolicy (WT2)— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
aLSTM(depth-2)+RecurrentPolicy (WT2)— Hány paramétere van?
Paraméterszáma 32M. 32M (Table 3). 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.
aLSTM(depth-2)+RecurrentPolicy (WT2)— Ki készítette ezt?
Kiadta University of Manchester,Alan Turing Institute, alapján United Kingdom of Great Britain and Northern Ireland, egy szervezet, amelyet kategorizáltak mint academia,Government.
aLSTM(depth-2)+RecurrentPolicy (WT2)— Mikor adták ki?
Kibocsátották a May 2018. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
aLSTM(depth-2)+RecurrentPolicy (WT2)— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
aLSTM(depth-2)+RecurrentPolicy (WT2)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 7.3 × 10¹⁶ 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.
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..