RNN (SGD+CLR)
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 Montreal / Université de Montréal
- Tipo di organizzazione
- Academia
- Paese
- Canada
- Pubblicato
- 14 December 2012
- Autori
- Yoshua Bengio, Nicolas Boulanger-Lewandowski and Razvan Pascanu
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Audio
- Compito
- Language modeling, Audio generation
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
- 195.6K
- Dati di addestramento
- tokens
It uses 400 hidden units (selected via hyperparameter tuning) The input size is 88 (corresponding to the 88 piano pitches) It uses rectified linear units, so no activation function parameters So the number of parameters would be: Input to hidden weights: 88 * 400 = 35,200 Hidden to hidden weights: 400 * 400 = 160,000 Biases: 400 Total: ~195,600 parameters Above estimate is by Claude 2. Should be checked manually.
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Speculative
- Citazioni
- 647
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Advances in Optimizing Recurrent Networks
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Cosa è questo modello
RNN (SGD+CLR) è stato pubblicato da University of Montreal / Université de Montréal, nel paese registrato come Canada, durante December 2012. Esce da un'organizzazione categorizzata come academia.
Funziona nel dominio di Audio, ed è registrato come eseguire il compito di language modeling, Audio generation.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Risposte
RNN (SGD+CLR) — domande comuni
RNN (SGD+CLR)— A cosa serve?
Funziona nel dominio di Audio, e viene registrato come gestire il compito di language modeling, Audio generation. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
RNN (SGD+CLR)— 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.
RNN (SGD+CLR)— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
RNN (SGD+CLR)— quanti parametri ha?
Ha un numero di parametri di 195.6K. It uses 400 hidden units (selected via hyperparameter tuning) The input size is 88 (corresponding to the 88 piano pitches) It uses rectified linear units, so no activation function parameters So the number of parameters would be: Input to hidden weights: 88 * 400 = 35,200 Hidden to hidden weights: 400 * 400 = 160,000 Biases: 400 Total: ~195,600 parameters Above estimate is by Claude 2. Should be checked manually. 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.
RNN (SGD+CLR)— chi l'ha creato?
È stato pubblicato da University of Montreal / Université de Montréal, basato su Canada, un'organizzazione categorizzata come academia.
RNN (SGD+CLR)— quando è stato rilasciato?
È stato pubblicato in December 2012. 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.
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.