Context-dependent RNN

Pesi chiusi Microsoft Research,Brno University of Technology July 2012

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
Microsoft Research,Brno University of Technology
Tipo di organizzazione
Industry,Academia
Paese
United States of America, Czechia
Pubblicato
27 July 2012
Autori
Tomas Mikolov, Geoffrey Zweig

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.

Dati di addestramento
37,000,000 tokens

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

New SOTA perplexity on PTB

Record fiducia
Unknown
Citazioni
707

Fonti

Da dove proviene questo record e quando è stato controllato l'ultima volta.

Riferimento
Context Dependent Recurrent Neural Network Language Model
Ultimo aggiornamento
28 November 2025

Cosa significano i numeri

Da dove è venuto

Context-dependent RNN è stato pubblicato da Microsoft Research,Brno University of Technology, nel paese registrato come United States of America, durante July 2012. Esce da un'organizzazione categorizzata come industry,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

Il set di addestramento si aggirava attorno a 37,000,000 token di testo

È tracciato nel dataset sottostante per una ragione in particolare: sOTA improvement.

Risposte

Context-dependent RNN — domande comuni

01

Context-dependent RNN— 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.

02

Context-dependent RNN— quanti parametri ha?

Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.

03

Context-dependent RNN— chi l'ha creato?

È stato pubblicato da Microsoft Research,Brno University of Technology, basato su United States of America, un'organizzazione categorizzata come industry,Academia.

04

Context-dependent RNN— quando è stato rilasciato?

È stato pubblicato in July 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.

05

Context-dependent RNN— 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.

06

Context-dependent RNN— 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.

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 28 November 2025

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.