RNNLM + Dynamic KL Regularization (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
- Northwestern University
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 27 April 2018
- Autori
- Thanapon Noraset, David Demeter, Doug Downey
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
- 87.6M
- Dati di addestramento
- 2,000,000 tokens
- Epoche
- 20
Calculatable - 2-layer LSTM with 650 hidden units.
"Perplexity validation stops significantly improving after around 20 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
- 2.1 × 10¹⁶ FLOP
- Come è stato stabilito
- Operation counting
6 FLOP / parameter / token * 87600000 parameters * 2000000 tokens * 20 epochs = 2.1024e+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
- Unreleased
code, but not experiment code: https://github.com/northanapon/seqmodel/tree/aaai18
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Likely
- Citazioni
- 9
- Dati di benchmark
- RNNLM + Dynamic KL Regularization (WT2)
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Controlling Global Statistics in Recurrent Neural Network Text Generation
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Da dove è venuto
RNNLM + Dynamic KL Regularization (WT2) è stato pubblicato da Northwestern University, nel paese registrato come United States of America, durante April 2018. Esce da un'organizzazione categorizzata come academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Come è stato addestrato
Il run di addestramento ha consumato circa 2.1 × 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
Risposte
RNNLM + Dynamic KL Regularization (WT2) — domande comuni
RNNLM + Dynamic KL Regularization (WT2)— chi l'ha creato?
È stato pubblicato da Northwestern University, basato su United States of America, un'organizzazione categorizzata come academia.
RNNLM + Dynamic KL Regularization (WT2)— quando è stato rilasciato?
È stato pubblicato in April 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.
RNNLM + Dynamic KL Regularization (WT2)— 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.
RNNLM + Dynamic KL Regularization (WT2)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.1 × 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.
RNNLM + Dynamic KL Regularization (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.
RNNLM + Dynamic KL Regularization (WT2)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
RNNLM + Dynamic KL Regularization (WT2)— quanti parametri ha?
Ha un numero di parametri di 87.6M. Calculatable - 2-layer LSTM with 650 hidden units. 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.