RNNLM + Dynamic KL Regularization
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
- 1 January 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
- 13.3M
- Dati di addestramento
- tokens
- Epoche
- 20
2-layer LSTM, 650 hidden units per layer, embedding size = 650. Penn Treebank standard vocab = ~10k words (from Zaremba et al. 2014) 2 * (4 * (650*650 + 650*650 + 650)) + (650*10000)+10000 = 13275200
Penn Treebank known to have 930k tokens
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
- 5 × 10¹⁴ FLOP
((8*650*(650+650))*2)*2 * 930000 tokens/epoch * 20 epochs = 5.029e14. batch size assumed from prior literature
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
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
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
RNNLM + Dynamic KL Regularization è stato pubblicato da Northwestern University, nel paese registrato come United States of America, durante January 2018. L'organizzazione di pubblicazione è classificata 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.
Addestramento e provenienza
Il run di addestramento ha consumato circa 5 × 10¹⁴ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
RNNLM + Dynamic KL Regularization — domande comuni
RNNLM + Dynamic KL Regularization— quanti parametri ha?
Ha un numero di parametri di 13.3M. 2-layer LSTM, 650 hidden units per layer, embedding size = 650. Penn Treebank standard vocab = ~10k words (from Zaremba et al. 2014) 2 * (4 * (650*650 + 650*650 + 650)) + (650*10000)+10000 = 13275200. 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.
RNNLM + Dynamic KL Regularization— 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— quando è stato rilasciato?
È stato pubblicato in January 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— 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— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 5 × 10¹⁴ 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— 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— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
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.