Fraternal dropout + AWD-LSTM 3-layer (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
- Jagiellonian University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal
- Tipo di organizzazione
- Academia,Academia,Academia
- Paese
- Poland, Canada
- Pubblicato
- 31 October 2017
- Autori
- Konrad Zolna, Devansh Arpit, Dendi Suhubdy, Yoshua Bengio
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
- 34M
- Dati di addestramento
- 2,000,000 tokens
- Epoche
- 750
34M (Table 2)
code suggests 750 epochs https://github.com/kondiz/fraternal-dropout/blob/WT2/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
- 3.1 × 10¹⁷ FLOP
- Come è stato stabilito
- Operation counting
6 FLOP / token / parameter * 34000000 parameters * 2000000 tokens * 750 epochs = 3.06e+17 FLOP _________________ In the Algorithmic Progress paper, the compute was estimated to be 9.85 × 10¹⁶ FLOP, assuming 520 epochs reported for the PTB dataset.
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/kondiz/fraternal-dropout
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
- 55
- Dati di benchmark
- Fraternal dropout + AWD-LSTM 3-layer (WT2)
"We evaluate our model and achieve state-of-the-art results in sequence modeling tasks on two benchmark datasets – Penn Treebank and Wikitext-2"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Fraternal Dropout
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Cosa è questo modello
Fraternal dropout + AWD-LSTM 3-layer (WT2) è stato pubblicato da Jagiellonian University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal, nel paese registrato come Poland, durante October 2017. L'organizzazione di pubblicazione è classificata come academia,Academia,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 3.1 × 10¹⁷ FLOP. 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 2,000,000 token di testo
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
Fraternal dropout + AWD-LSTM 3-layer (WT2) — domande comuni
Fraternal dropout + AWD-LSTM 3-layer (WT2)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.1 × 10¹⁷ 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.
Fraternal dropout + AWD-LSTM 3-layer (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.
Fraternal dropout + AWD-LSTM 3-layer (WT2)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Fraternal dropout + AWD-LSTM 3-layer (WT2)— quanti parametri ha?
Ha un numero di parametri di 34M. 34M (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.
Fraternal dropout + AWD-LSTM 3-layer (WT2)— chi l'ha creato?
È stato pubblicato da Jagiellonian University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal, basato su Poland, un'organizzazione categorizzata come academia,Academia,Academia.
Fraternal dropout + AWD-LSTM 3-layer (WT2)— quando è stato rilasciato?
È stato pubblicato in October 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.
Fraternal dropout + AWD-LSTM 3-layer (WT2)— 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.