LSTM (Hebbian, Cache, MbPA)
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
- DeepMind,University College London (UCL)
- Tipo di organizzazione
- Industry,Academia
- Paese
- United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 27 March 2018
- Autori
- Jack W Rae, Chris Dyer, Peter Dayan, Timothy P Lillicrap
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
- 530.4M
- Dati di addestramento
- 175,181,505 tokens
- Epoche
- 80
- Dimensione del Batch
- 51,200
Single layer LSTM with hidden dimension of 2048. Vocabulary for Gutenberg is 242,621; input and output embeddings are tied. Embedding layer (tied): 242,621 * 2048 = 496,887,808 LSTM layer: 4 * (2048 + 2048) * 2048 = 33,554,432 Total: 496,887,808 + 33,554,432 = 530,442,240
Omniglot: 32k images Wikitext-103: "Over 100 million tokens" Gutenberg: 175,181,505 tokens GigaWord v5: 4B tokens Gigaword is the largest dataset, but the largest training run uses Project Gutenberg.
Sequence length of 100, total of 512 batches. Batches are split between 8 GPUs.
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
- 3.3 × 10¹⁹ FLOP
- Come è stato stabilito
- Hardware,Operation counting
They do training runs on a vision task and three language datasets. The largest dataset by size is GigaWord, but the largest training run is on the Gutenberg dataset, at 15B tokens. I assume the input embedding is done with an embedding lookup for efficiency rather than a dense matrix multiplication, so we only count FLOPs on the de-embedding. Ops counting: 6 * 15B * 530,442,240 = 4.774e19 Hardware: (8 * 1.87e13) * (6 * 24 * 3600) * 0.3 = 2.327e19 Geometric mean: sqrt(4.774e19 * 2.327e19) =…
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA P100
- Chip utilizzati
- 8
- Tempo di parete
- 144 hours
- Consumo energetico
- 4.2 kW
- Costo di calcolo
- $591
6 days
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
- Confident
- Citazioni
- 47
- Dati di benchmark
- LSTM (Hebbian, Cache, MbPA)
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Fast Parametric Learning with Activation Memorization
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Informazioni su questo modello
LSTM (Hebbian, Cache, MbPA) è stato pubblicato da DeepMind,University College London (UCL), nel paese registrato come United Kingdom of Great Britain and Northern Ireland, durante March 2018. L'organizzazione di pubblicazione è classificata come industry,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
La produzione di esso ha richiesto un'aritmetica totale di circa 3.3 × 10¹⁹ FLOP, su hardware registrato come NVIDIA P100. 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 175,181,505 token di testo
Risposte
LSTM (Hebbian, Cache, MbPA) — domande comuni
LSTM (Hebbian, Cache, MbPA)— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
LSTM (Hebbian, Cache, MbPA)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.3 × 10¹⁹ FLOP, su hardware registrato come NVIDIA P100. 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.
LSTM (Hebbian, Cache, MbPA)— 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.
LSTM (Hebbian, Cache, MbPA)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
LSTM (Hebbian, Cache, MbPA)— quanti parametri ha?
Ha un numero di parametri di 530.4M. Single layer LSTM with hidden dimension of 2048. Vocabulary for Gutenberg is 242,621; input and output embeddings are tied. Embedding layer (tied): 242,621 * 2048 = 496,887,808 LSTM layer: 4 * (2048 + 2048) * 2048 = 33,554,432 Total: 496,887,808 + 33,554,432 = 530,442,240. 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.
LSTM (Hebbian, Cache, MbPA)— chi l'ha creato?
È stato pubblicato da DeepMind,University College London (UCL), basato su United Kingdom of Great Britain and Northern Ireland, un'organizzazione categorizzata come industry,Academia.
LSTM (Hebbian, Cache, MbPA)— quando è stato rilasciato?
È stato pubblicato in March 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.
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.