AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)
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
- Carnegie Mellon University (CMU)
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 10 November 2017
- Autori
- Zhilin Yang, Zihang Dai, Ruslan Salakhutdinov, William W. Cohen
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
- 35M
- Dati di addestramento
- 2,000,000 tokens
- Epoche
- 8,000
35M (Table 2)
max sequence length from https://github.com/zihangdai/mos/blob/master/main.py is 110 tokens batch size 15 (table 8) epochs: 8000 (from https://github.com/zihangdai/mos/blob/master/main.py)
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
- 3.4 × 10¹⁸ FLOP
- Come è stato stabilito
- Operation counting
6 FLOP / parameter / token * 35000000 parameters * 2000000 tokens * 8000 epochs = 3.36e+18 FLOP _____________ in the algorithmic progress paper the estimation was 4.37 × 10^17 FLOP based on 1000 epochs assumption
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
MIT code: https://github.com/zihangdai/mos
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
- Likely
- Citazioni
- 416
- Dati di benchmark
- AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)
"Experimental results confirm that the proposed method significantly improves state-of-the-art language models, achieving a perplexity of 55.31 and 62.89 on the test set of Penn Treebank and WikiText-2"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Breaking the Softmax Bottleneck: A High-Rank RNN Language Model
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Cosa è questo modello
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017) è stato pubblicato da Carnegie Mellon University (CMU), nel paese registrato come United States of America, durante November 2017. 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
La produzione di esso ha richiesto un'aritmetica totale di circa 3.4 × 10¹⁸ 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
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017) — domande comuni
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.4 × 10¹⁸ 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.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— 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.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— quanti parametri ha?
Ha un numero di parametri di 35M. 35M (Table 2). 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.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— chi l'ha creato?
È stato pubblicato da Carnegie Mellon University (CMU), basato su United States of America, un'organizzazione categorizzata come academia.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— quando è stato rilasciato?
È stato pubblicato in November 2017. 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.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— 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.
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.