AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (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
- Salesforce Research
- Szervezet típusa
- Industry
- Ország
- United States of America
- Közölt
- 7 August 2017
- Szerzők
- Stephen Merity, Nitish Shirish Keskar, Richard Socher
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
- 33M
- Képzési adatok
- 2,000,000 tokens
- Epochok
- 750
33M (Table 2)
"For training the models, we use the NT-ASGD algorithm discussed in the previous section for 750 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
- 3 × 10¹⁷ FLOP
- Hogyan jött létre
- Operation counting
6 FLOP / parameter / token * 33000000 parameters * 2000000 tokens * 750 epochs = 2.97e+17 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/salesforce/awd-lstm-lm train/eval code: https://github.com/salesforce/awd-lstm-lm/blob/master/main.py
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- Highly cited,SOTA improvement
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 1,176
- Benchmark adatok
- AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)
"we achieve an even lower state-of-the-art perplexity of 52.8 on Penn Treebank and 52.0 on WikiText-2."
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Regularizing and Optimizing LSTM Language Models
- Utoljára frissítve
- 11 February 2026
Mit jelentenek a számok
Háttér
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2) ki lett adva által Salesforce Research, az országban rögzítve mint United States of America, alatt August 2017. Egy olyan szervezetből származik, amelyet kategorizálnak mint industry.
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.
Hogyan lett betanítva
A létrehozásához körülbelül összesítő aritmetikára volt szükség. 3 × 10¹⁷ 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
Egy különös okból nyomon követik az alapul szolgáló adatbázisban: highly cited,SOTA improvement.
Válaszok
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2) — gyakori kérdések
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— Mikor adták ki?
Kibocsátották a August 2017. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— 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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 3 × 10¹⁷ 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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— Hány paramétere van?
Paraméterszáma 33M. 33M (Table 2). 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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— Ki készítette ezt?
Kiadta Salesforce Research, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry.
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..