AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (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
- Salesforce Research
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 7 August 2017
- Autori
- Stephen Merity, Nitish Shirish Keskar, Richard Socher
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
- 33M
- Dati di addestramento
- 2,000,000 tokens
- Epoche
- 750
33M (Table 2)
"For training the models, we use the NT-ASGD algorithm discussed in the previous section for 750 epochs"
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 × 10¹⁷ FLOP
- Come è stato stabilito
- Operation counting
6 FLOP / parameter / token * 33000000 parameters * 2000000 tokens * 750 epochs = 2.97e+17 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
- Open source
bsd-3 license: https://github.com/salesforce/awd-lstm-lm train/eval code: https://github.com/salesforce/awd-lstm-lm/blob/master/main.py
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- Highly cited,SOTA improvement
- Record fiducia
- Confident
- Citazioni
- 1,176
- Dati di benchmark
- AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)
"we achieve an even lower state-of-the-art perplexity of 52.8 on Penn Treebank and 52.0 on WikiText-2."
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Regularizing and Optimizing LSTM Language Models
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Sfondo
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2) è stato pubblicato da Salesforce Research, nel paese registrato come United States of America, durante August 2017. Esce da un'organizzazione categorizzata come industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Come è stato addestrato
La produzione di esso ha richiesto un'aritmetica totale di circa 3 × 10¹⁷ 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
È tracciato nel dataset sottostante per una ragione in particolare: highly cited,SOTA improvement.
Risposte
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2) — domande comuni
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— 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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— 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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3 × 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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— quanti parametri ha?
Ha un numero di parametri di 33M. 33M (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 - 3-layer LSTM (tied) + continuous cache pointer (WT2)— chi l'ha creato?
È stato pubblicato da Salesforce Research, basato su United States of America, un'organizzazione categorizzata come industry.
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.