VD-LSTM+REAL Small
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
- Stanford University,Salesforce Research
- Tipo di organizzazione
- Academia,Industry
- Paese
- United States of America
- Pubblicato
- 4 November 2016
- Autori
- Hakan Inan, Khashayar Khosravi, 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
- 6.8M
- Dati di addestramento
- tokens
- Epoche
- 60
VD-LSTM+REAL Large has 51M parameters. The parameter count of the Small model is not reported, but they say it has 200 hidden units per layer, compared to 1500 for the Large model. Neglecting the rest of the architecture, 51M * (200/1500) = 6.8M
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.
- Record fiducia
- Likely
- Citazioni
- 404
- Dati di benchmark
- VD-LSTM+REAL Small
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Tying Word Vectors and Word Classifiers: A Loss Framework for Language Modeling
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
VD-LSTM+REAL Small è stato pubblicato da Stanford University,Salesforce Research, nel paese registrato come United States of America, durante November 2016. La categoria sotto cui rientra l'editore è academia,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.
Risposte
VD-LSTM+REAL Small — domande comuni
VD-LSTM+REAL Small— chi l'ha creato?
È stato pubblicato da Stanford University,Salesforce Research, basato su United States of America, un'organizzazione categorizzata come academia,Industry.
VD-LSTM+REAL Small— quando è stato rilasciato?
È stato pubblicato in November 2016. 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.
VD-LSTM+REAL Small— 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.
VD-LSTM+REAL Small— 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.
VD-LSTM+REAL Small— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
VD-LSTM+REAL Small— quanti parametri ha?
Ha un numero di parametri di 6.8M. VD-LSTM+REAL Large has 51M parameters. The parameter count of the Small model is not reported, but they say it has 200 hidden units per layer, compared to 1500 for the Large model. Neglecting the rest of the architecture, 51M * (200/1500) = 6.8M. 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.