RNN LM
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
- Johns Hopkins University
- Szervezet típusa
- Academia
- Ország
- United States of America
- Közölt
- 26 September 2010
- Szerzők
- Tomas Mikolov, M. Karafiát, L. Burget, J. Černocký, S. Khudanpur
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
- 70.3M
- Képzési adatok
- 6,400,000 tokens
- Epochok
- 1
This database entry refers to the 3xRNN rows in Table 2 (static and dynamic likely use the same model ensemble, but allow the model weights to update once when testing the dynamic version). I assume the 3xRNN represents interpolation between the three largest models shown explicitly (RNN 250/5, RNN 250/2, and RNN 400/10). This seems likely, since smaller models do considerably worse on their own. In the following colab notebook, I estimate vocabulary sizes for the NYT Gigaword data at around 5…
As it is very time consuming to train RNN LM on large data, we have used only up to 6.4M words for training RNN models.
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
- 5.4 × 10¹⁶ FLOP
- Hogyan jött létre
- Operation counting
"Convergence is usually achieved after 10-20 epochs." Training was done over a 6.4M subset of the NYT section of English Gigaword. 6 * 70,265,000 * 20 * 6.4M = 5.396e16
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Fali óra idő
- 504 hours (21 days)
"it takes several weeks to train the most complex models." Rough guess, 3 weeks = 504 hours Assuming these models trained at the same time on different machines.
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Határmodell
- Yes
- Miért követik nyomon
- Highly cited
- Nyilvántartási bizalom
- Speculative
- Hivatkozások
- 6,038
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Recurrent neural network based language model
- Utoljára frissítve
- 1 January 2026
Mit jelentenek a számok
Honnan jött
RNN LM ki lett adva által Johns Hopkins University, az országban rögzítve mint United States of America, alatt September 2010. A kiadó kategóriája alá tartozik academia.
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. 5.4 × 10¹⁶ 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 6,400,000 szöveg tokenjei
A kiválasztási kritériuma: highly cited.
Válaszok
RNN LM — gyakori kérdések
RNN LM— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 5.4 × 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.
RNN LM— 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.
RNN LM— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
RNN LM— Hány paramétere van?
Paraméterszáma 70.3M. This database entry refers to the 3xRNN rows in Table 2 (static and dynamic likely use the same model ensemble, but allow the model weights to update once when testing the dynamic version). I assume the 3xRNN represents interpolation between the three largest models shown explicitly (RNN 250/5, RNN 250/2, and RNN 400/10). This seems likely, since smaller models do considerably worse on their own. In the following colab notebook, I estimate vocabulary sizes for the NYT Gigaword data at around 54.4k, 41.4k, and 27.6k for merge thresholds of 2, 5, and 10, respectively: https://colab.research.google.com/drive/1K5qH0EqXtFwTLESNtp4oelCM28GpGXt6#scrollTo=tedUkbgklNJ3 So the total number of parameters in each constituent model is: - RNN 250/2: (250 + 54.4k) * 250 + (250 * 54.4k) = 27,262,500 - RNN 250/5: (250 + 41.4k) * 250 + (250 * 41.4k) = 20,762,500 - RNN 400/10: (400 + 27.6k) * 400 + (400 * 27.6k) = 22,240,000 In total: 70,265,000 parameters. 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.
RNN LM— Ki készítette ezt?
Kiadta Johns Hopkins University, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia.
RNN LM— Mikor adták ki?
Kibocsátották a September 2010. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
RNN LM— 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.
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..