Stacked-LSTM+PruningNo
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
- University of Electronic Science and Technology of China,Chinese University of Hong Kong (CUHK),Peng Cheng Laboratory
- Tipo di organizzazione
- Academia,Academia,Academia
- Paese
- China, Hong Kong
- Pubblicato
- 17 June 2019
- Autori
- Liangjian Wen, Xuanyang Zhang, Haoli Bai, Zenglin Xu
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
- 6.2M
- Dati di addestramento
- tokens
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.
- Citazioni
- 43
- Dati di benchmark
- Stacked-LSTM+Pruning
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Structured Pruning of Recurrent Neural Networks through Neuron Selection
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Sfondo
Stacked-LSTM+PruningNo è stato pubblicato da University of Electronic Science and Technology of China,Chinese University of Hong Kong (CUHK),Peng Cheng Laboratory, nel paese registrato come China, durante June 2019. Esce da un'organizzazione categorizzata come academia,Academia,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
Stacked-LSTM+PruningNo — domande comuni
Stacked-LSTM+PruningNo— 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.
Stacked-LSTM+PruningNo— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Stacked-LSTM+PruningNo— quanti parametri ha?
Ha un numero di parametri di 6.2M. 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.
Stacked-LSTM+PruningNo— chi l'ha creato?
È stato pubblicato da University of Electronic Science and Technology of China,Chinese University of Hong Kong (CUHK),Peng Cheng Laboratory, basato su China, un'organizzazione categorizzata come academia,Academia,Academia.
Stacked-LSTM+PruningNo— quando è stato rilasciato?
È stato pubblicato in June 2019. 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.
Stacked-LSTM+PruningNo— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
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.