EI-REHN-1000D
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
- Korea Advanced Institute of Science and Technology (KAIST)
- Tipo di organizzazione
- Academia
- Paese
- Korea (Republic of)
- Pubblicato
- 14 August 2017
- Autori
- Hyunsin Park, Chang D. Yoo
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling
- Formato numerico
- FP32
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
- 19M
- Dati di addestramento
- 929,000 tokens
- Epoche
- 100
19M (Table 4)
"For all the experiments in this paper, Tensorflow toolkit [15] was used. For training the network, Adam optimizer [16] was adopted with 20 mini-batch size, 100 epochs, and 0.01 learning rate"
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
- 1.1 × 10¹⁶ FLOP
- Come è stato stabilito
- Operation counting
6 FLOP / parameter / token * 19000000 parameters * 929000 tokens * 100 epochs = 1.05906e+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
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
- Confident
- Citazioni
- 6
- Dati di benchmark
- EI-REHN-1000D
"The proposed networks showed better performance than other state-of-the-art recurrent networks in all three experiments."
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Early Improving Recurrent Elastic Highway Network
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
EI-REHN-1000D è stato pubblicato da Korea Advanced Institute of Science and Technology (KAIST), nel paese registrato come Korea (Republic of), durante August 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.
Come è stato addestrato
La produzione di esso ha richiesto un'aritmetica totale di circa 1.1 × 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 929,000 token di testo
Il suo criterio di inclusione: sOTA improvement.
Risposte
EI-REHN-1000D — domande comuni
EI-REHN-1000D— chi l'ha creato?
È stato pubblicato da Korea Advanced Institute of Science and Technology (KAIST), basato su Korea (Republic of), un'organizzazione categorizzata come academia.
EI-REHN-1000D— quando è stato rilasciato?
È stato pubblicato in August 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.
EI-REHN-1000D— 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.
EI-REHN-1000D— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.1 × 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.
EI-REHN-1000D— 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.
EI-REHN-1000D— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
EI-REHN-1000D— quanti parametri ha?
Ha un numero di parametri di 19M. 19M (Table 4). 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.