aLSTM(depth-2)+RecurrentPolicy (PTB)
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
- Szervezet típusa
- Academia
- 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
- 24M
- Képzési adatok
- tokens
- Epochok
- 180
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
- 2.4 × 10¹⁶ FLOP
6*24000000*929000*180=2.407968e16
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.
- Nyilvántartási bizalom
- Likely
- Benchmark adatok
- aLSTM(depth-2)+RecurrentPolicy (PTB)
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
Erről a modelről
aLSTM(depth-2)+RecurrentPolicy (PTB) ki lett adva által University of Manchester, az országban rögzítve mint United Kingdom of Great Britain and Northern Ireland, alatt May 2018. Egy olyan szervezetből származik, amelyet kategorizálnak mint 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.
Hogyan lett betanítva
A betanításhoz körülbelül egy számítási költségvetés kellett 2.4 × 10¹⁶ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Válaszok
aLSTM(depth-2)+RecurrentPolicy (PTB) — gyakori kérdések
aLSTM(depth-2)+RecurrentPolicy (PTB)— Ki készítette ezt?
Kiadta University of Manchester, alapján United Kingdom of Great Britain and Northern Ireland, egy szervezet, amelyet kategorizáltak mint academia.
aLSTM(depth-2)+RecurrentPolicy (PTB)— 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 (PTB)— 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.
aLSTM(depth-2)+RecurrentPolicy (PTB)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 2.4 × 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.
aLSTM(depth-2)+RecurrentPolicy (PTB)— 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 (PTB)— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
aLSTM(depth-2)+RecurrentPolicy (PTB)— Hány paramétere van?
Paraméterszáma 24M. 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.
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..