aLSTM(depth-2)+RecurrentPolicy (PTB)
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
- Tipo di organizzazione
- Academia
- 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
- 24M
- Dati di addestramento
- tokens
- Epoche
- 180
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
- 2.4 × 10¹⁶ FLOP
6*24000000*929000*180=2.407968e16
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.
- Record fiducia
- Likely
- Dati di benchmark
- aLSTM(depth-2)+RecurrentPolicy (PTB)
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
Informazioni su questo modello
aLSTM(depth-2)+RecurrentPolicy (PTB) è stato pubblicato da University of Manchester, nel paese registrato come United Kingdom of Great Britain and Northern Ireland, durante May 2018. Esce da un'organizzazione categorizzata come 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.
Come è stato addestrato
Il training ha richiesto un budget di calcolo di circa 2.4 × 10¹⁶ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
aLSTM(depth-2)+RecurrentPolicy (PTB) — domande comuni
aLSTM(depth-2)+RecurrentPolicy (PTB)— chi l'ha creato?
È stato pubblicato da University of Manchester, basato su United Kingdom of Great Britain and Northern Ireland, un'organizzazione categorizzata come academia.
aLSTM(depth-2)+RecurrentPolicy (PTB)— 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 (PTB)— 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.
aLSTM(depth-2)+RecurrentPolicy (PTB)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.4 × 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.
aLSTM(depth-2)+RecurrentPolicy (PTB)— 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 (PTB)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
aLSTM(depth-2)+RecurrentPolicy (PTB)— quanti parametri ha?
Ha un numero di parametri di 24M. 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.
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.