DiffStk-MRNN
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
- Pennsylvania State University,Rochester Institute of Technology
- Tipo di organizzazione
- Academia,Academia
- Paese
- United States of America
- Pubblicato
- 4 April 2020
- Autori
- Ankur Mali, Alexander Ororbia, Daniel Kifer, Clyde Lee Giles
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
- 1M
- Dati di addestramento
- 912,344 tokens
- Epoche
- 50
All models trained on this dataset consisted of 100 hidden units Okay, let's break this down: - RNN with 1 hidden layer - 100 hidden units - Vocabulary size = 10,000 The RNN layer will have: - Input weight matrix U: dimensions (vocab size x hidden size) = (10,000 x 100) = 1,000,000 parameters - Recurrent weight matrix W: dimensions (hidden size x hidden size) = (100 x 100) = 10,000 parameters - Bias vector b: (hidden size) = (100) = 100 parameters So the total parameters is: U = 1,000,0…
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 2.8 × 10¹⁴ FLOP
- Come è stato stabilito
- Operation counting
6 FLOP / token / parameter * 1010000 parameters * 912 344 tokens * 50 epochs = 2.7644023e+14 FLOP
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
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Likely
- Citazioni
- 14
- Dati di benchmark
- DiffStk-MRNN
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Recognizing Long Grammatical Sequences Using Recurrent Networks Augmented With An External Differentiable Stack
- Ultimo aggiornamento
- 1 December 2025
Cosa significano i numeri
Sfondo
DiffStk-MRNN è stato pubblicato da Pennsylvania State University,Rochester Institute of Technology, nel paese registrato come United States of America, durante April 2020. La categoria sotto cui rientra l'editore è academia,Academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Addestramento e provenienza
Il training ha richiesto un budget di calcolo di circa 2.8 × 10¹⁴ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
L'addestramento ha consumato un corpus di circa 912,344 token di testo
Risposte
DiffStk-MRNN — domande comuni
DiffStk-MRNN— 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.
DiffStk-MRNN— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.8 × 10¹⁴ FLOP. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
DiffStk-MRNN— 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.
DiffStk-MRNN— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
DiffStk-MRNN— quanti parametri ha?
Ha un numero di parametri di 1M. All models trained on this dataset consisted of 100 hidden units Okay, let's break this down: - RNN with 1 hidden layer - 100 hidden units - Vocabulary size = 10,000 The RNN layer will have: - Input weight matrix U: dimensions (vocab size x hidden size) = (10,000 x 100) = 1,000,000 parameters - Recurrent weight matrix W: dimensions (hidden size x hidden size) = (100 x 100) = 10,000 parameters - Bias vector b: (hidden size) = (100) = 100 parameters So the total parameters is: U = 1,000,000 W = 10,000 b = 100 Total parameters = U + W + b = 1,000,000 + 10,000 + 100 = 1,010,100 Therefore, the total number of parameters for this 1-layer RNN with 100 hidden units and 10,000 vocab size is 1,010,100. 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.
DiffStk-MRNN— chi l'ha creato?
È stato pubblicato da Pennsylvania State University,Rochester Institute of Technology, basato su United States of America, un'organizzazione categorizzata come academia,Academia.
DiffStk-MRNN— quando è stato rilasciato?
È stato pubblicato in April 2020. 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.
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.