Predictive Coding NN
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
- Technical University of Munich
- Tipo di organizzazione
- Academia
- Paese
- Germany
- Pubblicato
- 2 December 1994
- Autori
- J. Schmidhuber, Stefan Heil
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
- 206.9K
- Dati di addestramento
- 600,000 tokens
- Epoche
- 25
5*80*430+430+430*80+80=206910 "P has nk input units and k output units. n is called the "time-window size" "Note that the time-window was quite small (n = 5)." "alphabet consisted of k = 80 possible characters" "P had 430 hidden units"
Training dataset: 15000*40=600000 "The training set for the predictor was given by a set of 40 articles from the newspaper Miinchner M erkur, each containing between 10000 and 20000 characters."
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
- 1.9 × 10¹³ FLOP
- Come è stato stabilito
- Operation counting
2*206910*3*15000000=18621900000000=1.86e13 "The training phase consisted of 25 sweeps through the training set"
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Modello Frontier
- Yes
- Perché è monitorato
- Historical significance
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Predictive Coding with Neural Nets: Application to Text Compression
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Sfondo
Predictive Coding NN è stato pubblicato da Technical University of Munich, nel paese registrato come Germany, durante December 1994. La categoria sotto cui rientra l'editore è academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Addestramento e provenienza
La produzione di esso ha richiesto un'aritmetica totale di circa 1.9 × 10¹³ 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 600,000 token di testo
Il suo criterio di inclusione: historical significance.
Risposte
Predictive Coding NN — domande comuni
Predictive Coding NN— quando è stato rilasciato?
È stato pubblicato in December 1994. 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.
Predictive Coding NN— 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.
Predictive Coding NN— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.9 × 10¹³ 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.
Predictive Coding NN— 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.
Predictive Coding NN— 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.
Predictive Coding NN— quanti parametri ha?
Ha un numero di parametri di 206.9K. 5*80*430+430+430*80+80=206910 "P has nk input units and k output units. n is called the "time-window size" "Note that the time-window was quite small (n = 5)." "alphabet consisted of k = 80 possible characters" "P had 430 hidden units". 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.
Predictive Coding NN— chi l'ha creato?
È stato pubblicato da Technical University of Munich, basato su Germany, un'organizzazione categorizzata come academia.
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.