Variational (untied weights, MC) LSTM (Large)
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
- University of Cambridge
- Tipo di organizzazione
- Academia
- Paese
- United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 16 December 2015
- Autori
- Yarin Gal, Zoubin Ghahramani
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
- 66M
- Dati di addestramento
- 929,000 tokens
- Epoche
- 16
66M according to https://arxiv.org/pdf/1611.01462
"We had to use early stopping for the large model with [20]’s variant as the model starts overfitting after 16 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
- 5.9 × 10¹⁵ FLOP
- Come è stato stabilito
- Operation counting
6 FLOP / parameter / token * 66000000 parameters * 929000 tokens * 16 epochs = 5.886144e+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
- Unreleased
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
- 1,838
- Dati di benchmark
- Variational (untied weights, MC) LSTM (Large)
"The new approach outperforms existing techniques, and to the best of our knowledge improves on the single model state-of-the-art in language modelling with the Penn Treebank (73.4 test perplexity)"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- A Theoretically Grounded Application of Dropout in Recurrent Neural Networks
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Cosa è questo modello
Variational (untied weights, MC) LSTM (Large) è stato pubblicato da University of Cambridge, nel paese registrato come United Kingdom of Great Britain and Northern Ireland, durante December 2015. Esce da un'organizzazione categorizzata come academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Addestramento e provenienza
La produzione di esso ha richiesto un'aritmetica totale di circa 5.9 × 10¹⁵ 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: highly cited,SOTA improvement.
Risposte
Variational (untied weights, MC) LSTM (Large) — domande comuni
Variational (untied weights, MC) LSTM (Large)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 5.9 × 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.
Variational (untied weights, MC) LSTM (Large)— 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.
Variational (untied weights, MC) LSTM (Large)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Variational (untied weights, MC) LSTM (Large)— quanti parametri ha?
Ha un numero di parametri di 66M. 66M according to https://arxiv.org/pdf/1611.01462. 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.
Variational (untied weights, MC) LSTM (Large)— chi l'ha creato?
È stato pubblicato da University of Cambridge, basato su United Kingdom of Great Britain and Northern Ireland, un'organizzazione categorizzata come academia.
Variational (untied weights, MC) LSTM (Large)— quando è stato rilasciato?
È stato pubblicato in December 2015. 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.
Variational (untied weights, MC) LSTM (Large)— 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.