aLSTM(depth-2)+RecurrentPolicy (WT2)
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 Manchester,Alan Turing Institute
- Tipo di organizzazione
- Academia,Government
- Paese
- United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 22 May 2018
- Autori
- Sebastian Flennerhag, Hujun Yin, John Keane, Mark Elliot
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
- 32M
- Dati di addestramento
- 2,000,000 tokens
- Epoche
- 190
32M (Table 3)
"Both models are trained for 10 000 steps with a batch size of 50 and a learning rate of 0.003." "Without tuning for WT2, both outperform previously published results in 150 epochs (table 3) and converge to new state of the art performance in 190 epochs"
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
- 7.3 × 10¹⁶ FLOP
- Come è stato stabilito
- Operation counting
6 FLOP / token / parameter * 32000000 parameters * 2000000 tokens * 190 epochs = 7.296e+16 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
- Open source
BSD-3 license: https://github.com/flennerhag/alstm/tree/master/examples
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- SOTA improvement
- Record fiducia
- Confident
- Citazioni
- 12
- Dati di benchmark
- aLSTM(depth-2)+RecurrentPolicy (WT2)
"Without tuning for WT2, both outperform previously published results in 150 epochs (table 3) and converge to new state of the art performance in 190 epochs"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Breaking the Activation Function Bottleneck through Adaptive Parameterization
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Da dove è venuto
aLSTM(depth-2)+RecurrentPolicy (WT2) è stato pubblicato da University of Manchester,Alan Turing Institute, nel paese registrato come United Kingdom of Great Britain and Northern Ireland, durante May 2018. Esce da un'organizzazione categorizzata come academia,Government.
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.
Addestramento e provenienza
Il run di addestramento ha consumato circa 7.3 × 10¹⁶ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 2,000,000 token di testo
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
aLSTM(depth-2)+RecurrentPolicy (WT2) — domande comuni
aLSTM(depth-2)+RecurrentPolicy (WT2)— 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.
aLSTM(depth-2)+RecurrentPolicy (WT2)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
aLSTM(depth-2)+RecurrentPolicy (WT2)— quanti parametri ha?
Ha un numero di parametri di 32M. 32M (Table 3). 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.
aLSTM(depth-2)+RecurrentPolicy (WT2)— chi l'ha creato?
È stato pubblicato da University of Manchester,Alan Turing Institute, basato su United Kingdom of Great Britain and Northern Ireland, un'organizzazione categorizzata come academia,Government.
aLSTM(depth-2)+RecurrentPolicy (WT2)— quando è stato rilasciato?
È stato pubblicato in May 2018. 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.
aLSTM(depth-2)+RecurrentPolicy (WT2)— 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.
aLSTM(depth-2)+RecurrentPolicy (WT2)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 7.3 × 10¹⁶ 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.
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.