LSTM(large)+Sememe+cell
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Tsinghua University,Beijing University of Posts and Telecommunications,Huawei Noah's Ark Lab
- Organisatietype
- Academia,Academia,Industry
- Land
- China
- Gepubliceerd
- 20 October 2019
- Auteurs
- Yujia Qin, Fanchao Qi, Sicong Ouyang, Zhiyuan Liu, Cheng Yang, Yasheng Wang, Qun Liu, Maosong Sun
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 48M
- Training gegevens
- 2,000,000 tokens
- Epochs
- 40
Based on the details in the paper, here is the calculation for the number of parameters in the LSTM(large)+Sememe+cell model: The model has 2 LSTM layers, each with 1500 hidden units. It uses the "+cell" method to incorporate sememes, which introduces an additional sememe-LSTM cell in each LSTM unit. For each original 1500 unit LSTM layer: Input size is 300 (embedding dimension) Hidden size is 1500 4 weight matrices of size 300 x 1500 = 450,000 params each 4 recurrent weight matrices of size…
"The maximum training epoch number is 40 and the gradient norm clip boundary is 0.25."
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 2.3 × 10¹⁶ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / token / parameter * 48000000 parameters * 2000000 tokens * 40 epochs = 2.304e+16 FLOP
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Toegang tot model
- Unreleased
- Training code
- Open (non-commercial)
code for WT/PTB. no license. https://github.com/thunlp/SememeRNN/blob/master/LM/main.py
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Record vertrouwen
- Likely
- Citaties
- 19
- Benchmarkgegevens
- LSTM(large)+Sememe+cell
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Improving Sequence Modeling Ability of Recurrent Neural Networks via Sememes
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Wat dit model is
LSTM(large)+Sememe+cell werd gepubliceerd door Tsinghua University,Beijing University of Posts and Telecommunications,Huawei Noah's Ark Lab, in het land geregistreerd als China, tijdens October 2019. De publicerende organisatie is geclassificeerd als academia,Academia,Industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Hoe het getraind werd
Training kostte een rekensbudget van ongeveer 2.3 × 10¹⁶ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Training verbruikte een corpus van ongeveer 2,000,000 tekstokens
Antwoorden
LSTM(large)+Sememe+cell — veelgestelde vragen
LSTM(large)+Sememe+cell— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.3 × 10¹⁶ FLOP. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
LSTM(large)+Sememe+cell— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
LSTM(large)+Sememe+cell— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
LSTM(large)+Sememe+cell— hoeveel parameters heeft het?
Het heeft een parameter telling van 48M. Based on the details in the paper, here is the calculation for the number of parameters in the LSTM(large)+Sememe+cell model: The model has 2 LSTM layers, each with 1500 hidden units. It uses the "+cell" method to incorporate sememes, which introduces an additional sememe-LSTM cell in each LSTM unit. For each original 1500 unit LSTM layer: Input size is 300 (embedding dimension) Hidden size is 1500 4 weight matrices of size 300 x 1500 = 450,000 params each 4 recurrent weight matrices of size 1500 x 1500 = 2,250,000 params each 4 bias vectors of size 1500 = 6,000 params each Total = 450,000 x 4 + 2,250,000 x 4 + 6,000 x 4 = 12,006,000 For each sememe-LSTM cell: Input size is 2000 (number of sememes) Hidden size is 1500 Same weight and bias computations as above Total = 12,006,000 Since there are 2 LSTM layers each with a sememe-LSTM cell: Total params = 2 * (12,006,000 + 12,006,000) Total = 48,024,000 Therefore, the total number of parameters for the LSTM(large)+Sememe+cell model is approximately 48 million. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
LSTM(large)+Sememe+cell— wie heeft het gemaakt?
Het werd gepubliceerd door Tsinghua University,Beijing University of Posts and Telecommunications,Huawei Noah's Ark Lab, gebaseerd op China, een organisatie geclassificeerd als academia,Academia,Industry.
LSTM(large)+Sememe+cell— wanneer is het uitgebracht?
Het werd gepubliceerd in October 2019. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
LSTM(large)+Sememe+cell— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.