genCNN + dyn eval
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
- Chinese Academy of Sciences,Huawei Noah's Ark Lab,Dublin City University
- Tipo di organizzazione
- Academia,Industry,Academia
- Paese
- China, Ireland
- Pubblicato
- 17 March 2015
- Autori
- Mingxuan Wang, Zhengdong Lu, Hang Li, Wenbin Jiang, Qun Liu
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
- 8M
- Dati di addestramento
- 929,000 tokens
8M according to https://arxiv.org/pdf/1508.06615
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
- 3.4 × 10¹⁶ FLOP
- Come è stato stabilito
- Hardware,Operation counting
5046000000000 FLOP / sec/ GPU * 1 GPU * 48 hours ["Likely" confidence since 2 days of training refer to another dataset] * 3600 sec / hour * 0.3 [assumed utilization] = 2.6158464e+17 FLOP Assuming (!) 100 epochs (-> "Speculative" confidence"): 6 FLOP / parameter / token * 8000000 parameters * 929000 tokens * 100 epochs = 4.4592e+15 FLOP sqrt(2.6158464e+17*4.4592e+15 ) = 3.4153451e+16 FLOP ________ in the algorithmic progress report paper the estimation was 7.3 × 10^16 FLOP (hardware-based es…
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA Tesla K40s
- Tempo di parete
- 48 hours
" The optimization is done mainly on a Tesla K40 GPU, which takes about 2 days for the training on a dataset containing 1M sentences." this training doesn't refer to the PTB dataset but to wiki dataset so it is likely an upper bound
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
- Speculative
- Citazioni
- 33
- Dati di benchmark
- genCNN + dyn eval
"genCNN outperforms the state-ofthe-arts with big margins."
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- genCNN: A Convolutional Architecture for Word Sequence Prediction
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Sfondo
genCNN + dyn eval è stato pubblicato da Chinese Academy of Sciences,Huawei Noah's Ark Lab,Dublin City University, nel paese registrato come China, durante March 2015. La categoria sotto cui rientra l'editore è academia,Industry,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.
Come è stato addestrato
Il training ha richiesto un budget di calcolo di circa 3.4 × 10¹⁶ FLOP, su hardware registrato come NVIDIA Tesla K40s. 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
È tracciato nel dataset sottostante per una ragione in particolare: sOTA improvement.
Risposte
genCNN + dyn eval — domande comuni
genCNN + dyn eval— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
genCNN + dyn eval— quanti parametri ha?
Ha un numero di parametri di 8M. 8M according to https://arxiv.org/pdf/1508.06615. 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.
genCNN + dyn eval— chi l'ha creato?
È stato pubblicato da Chinese Academy of Sciences,Huawei Noah's Ark Lab,Dublin City University, basato su China, un'organizzazione categorizzata come academia,Industry,Academia.
genCNN + dyn eval— quando è stato rilasciato?
È stato pubblicato in March 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.
genCNN + dyn eval— 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.
genCNN + dyn eval— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.4 × 10¹⁶ FLOP, su hardware registrato come NVIDIA Tesla K40s. 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.
genCNN + dyn eval— 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.