RNNLM + Dynamic KL Regularization
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
- Northwestern University
- Szervezet típusa
- Academia
- Ország
- United States of America
- Közölt
- 1 January 2018
- Szerzők
- Thanapon Noraset, David Demeter, Doug Downey
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
- 13.3M
- Képzési adatok
- tokens
- Epochok
- 20
2-layer LSTM, 650 hidden units per layer, embedding size = 650. Penn Treebank standard vocab = ~10k words (from Zaremba et al. 2014) 2 * (4 * (650*650 + 650*650 + 650)) + (650*10000)+10000 = 13275200
Penn Treebank known to have 930k tokens
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
- 5 × 10¹⁴ FLOP
((8*650*(650+650))*2)*2 * 930000 tokens/epoch * 20 epochs = 5.029e14. batch size assumed from prior literature
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
code, but not experiment code: https://github.com/northanapon/seqmodel/tree/aaai18
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Likely
- Hivatkozások
- 9
- Benchmark adatok
- RNNLM + Dynamic KL Regularization
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Controlling Global Statistics in Recurrent Neural Network Text Generation
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Mit jelent ez a modell
RNNLM + Dynamic KL Regularization ki lett adva által Northwestern University, az országban rögzítve mint United States of America, alatt January 2018. A kiadó szervezet a következő kategóriába tartozik 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 képzés futás körülbelül 5 × 10¹⁴ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Válaszok
RNNLM + Dynamic KL Regularization — gyakori kérdések
RNNLM + Dynamic KL Regularization— Hány paramétere van?
Paraméterszáma 13.3M. 2-layer LSTM, 650 hidden units per layer, embedding size = 650. Penn Treebank standard vocab = ~10k words (from Zaremba et al. 2014) 2 * (4 * (650*650 + 650*650 + 650)) + (650*10000)+10000 = 13275200. 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.
RNNLM + Dynamic KL Regularization— Ki készítette ezt?
Kiadta Northwestern University, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia.
RNNLM + Dynamic KL Regularization— Mikor adták ki?
Kibocsátották a January 2018. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
RNNLM + Dynamic KL Regularization— 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.
RNNLM + Dynamic KL Regularization— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 5 × 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.
RNNLM + Dynamic KL Regularization— 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.
RNNLM + Dynamic KL Regularization— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
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..