Selfish-RNN (ON-LSTM)
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Eindhoven University of Technology
- Tipo di organizzazione
- Academia
- Paese
- Netherlands
- Pubblicato
- 22 January 2021
- Autori
- Shiwei Liu, Decebal Constantin Mocanu, Yulong Pei, Mykola Pechenizkiy
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 25.2M
- Dati di addestramento
- tokens
- Epoche
- 1,000
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
- Codice di addestramento
- Open (non-commercial)
code, no clear license https://github.com/Shiweiliuiiiiiii/Selfish-RNN
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 43
- Dati di benchmark
- Selfish-RNN (ON-LSTM)
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Selfish Sparse RNN Training
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Da dove è venuto
Selfish-RNN (ON-LSTM) è stato pubblicato da Eindhoven University of Technology, nel paese registrato come Netherlands, durante January 2021. Esce da un'organizzazione categorizzata come academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Risposte
Selfish-RNN (ON-LSTM) — domande comuni
Selfish-RNN (ON-LSTM)— quanti parametri ha?
Ha un numero di parametri di 25.2M. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
Selfish-RNN (ON-LSTM)— chi l'ha creato?
È stato pubblicato da Eindhoven University of Technology, basato su Netherlands, un'organizzazione categorizzata come academia.
Selfish-RNN (ON-LSTM)— quando è stato rilasciato?
È stato pubblicato in January 2021. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
Selfish-RNN (ON-LSTM)— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
Selfish-RNN (ON-LSTM)— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
Selfish-RNN (ON-LSTM)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.