VD-RHN
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
- ETH Zurich,IDSIA
- Tipo di organizzazione
- Academia,Academia
- Paese
- Switzerland
- Pubblicato
- 12 July 2016
- Autori
- Julian Georg Zilly, Rupesh Kumar Srivastava, Jan Koutník, Jürgen Schmidhuber
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
- 32M
- Dati di addestramento
- 929,000 tokens
- Epoche
- 20
"To examine the effect of recurrence depth we train RHNs with fixed total parameters (32 M)"
"Batch size was fixed to 20, sequence length for truncated backpropagation to 35, learning rate to 0.2, learning rate decay to 1.02 starting at 20 epochs, weight decay to 1e-7 and maximum gradient norm to 10."
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
- 3.6 × 10¹⁵ FLOP
- Come è stato stabilito
- Operation counting
6 FLOP / parameter / token * 32000000 parameters * 929000 tokens * 20 epochs = 3.56736e+15 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
MIT for code: https://github.com/jzilly/RecurrentHighwayNetworks
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 493
- Dati di benchmark
- VD-RHN
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Recurrent Highway Networks
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
VD-RHN è stato pubblicato da ETH Zurich,IDSIA, nel paese registrato come Switzerland, durante July 2016. L'organizzazione di pubblicazione è classificata come academia,Academia.
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.
Addestramento e provenienza
Il training ha richiesto un budget di calcolo di circa 3.6 × 10¹⁵ 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 929,000 token di testo
Risposte
VD-RHN — domande comuni
VD-RHN— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
VD-RHN— quanti parametri ha?
Ha un numero di parametri di 32M. "To examine the effect of recurrence depth we train RHNs with fixed total parameters (32 M)". 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.
VD-RHN— chi l'ha creato?
È stato pubblicato da ETH Zurich,IDSIA, basato su Switzerland, un'organizzazione categorizzata come academia,Academia.
VD-RHN— quando è stato rilasciato?
È stato pubblicato in July 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-RHN— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
VD-RHN— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.6 × 10¹⁵ 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.
VD-RHN— 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.
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.