WeNet (Penn Treebank)
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
- Amazon
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 8 April 2019
- Auteurs
- Zhiheng Huang, Bing Xiang
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Neural Architecture Search - NAS, Language modeling
- Numerieke indeling
- FP16
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
- 23M
- Training gegevens
- 929,000 tokens
- Epochs
- 6,000
- Batchgrootte
- 70,000
Table 1
They use BPTT with length 35. During architecture search data batch size is 20 and network batch size is 100. While training the architecture they end up finding, batch size is 64. So effective batch size is 35 * 20 * 100 = 70,000 during architecture search, and 35 * 64 = 2,240 during final training.
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
- 7.3 × 10¹⁷ FLOP
- Hoe het werd opgericht
- Hardware,Operation counting
PTB has 912344 tokens. The model has 23M parameters and was trained for 6k epochs. If the model was dense, 6 FLOP/token/param/epoch * 6k epochs * 23M params * 912k tokens = 1.05e18 FLOP. Alternatively, the model was trained on 1 V100 GPU and "In terms of efficiency, the overall cost... is within 1 GPU day" so the training time was around or below 24 hours. Half precision and 30% utilization would be a pretty good match for the arithmetic estimate: 24 hours * 30% * 28 TFLOPS = 7.3e17 FLOP.
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA V100
- Gebruikte chips
- 1
- Kloktijd
- 24 hours
- Stroomverbruik
- 339 W
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
- Unreleased
PTB dataset
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.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Likely
- Citaties
- 5
- Benchmarkgegevens
- WeNet (WT2)
"We show that an architecture found by WeNets arXiv:1904.03819v1 [cs.NE] 8 Apr 2019 WeNet: Weighted Networks for Recurrent Network Architecture Search achieves state-of-the-art results on the Penn Treebank language dataset"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- WeNet: Weighted Networks for Recurrent Network Architecture Search
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Waar het vandaan kwam
WeNet (Penn Treebank) werd gepubliceerd door Amazon, in het land geregistreerd als United States of America, tijdens April 2019. Het komt uit een organisatie gecategoriseerd als industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van neural Architecture Search - NAS, Language modeling.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Training en herkomst
Training kostte een rekensbudget van ongeveer 7.3 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA V100. 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 929,000 tekstokens
De inclusiecriteria: sOTA improvement.
Antwoorden
WeNet (Penn Treebank) — veelgestelde vragen
WeNet (Penn Treebank)— hoeveel parameters heeft het?
Het heeft een parameter telling van 23M. Table 1. 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.
WeNet (Penn Treebank)— wie heeft het gemaakt?
Het werd gepubliceerd door Amazon, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
WeNet (Penn Treebank)— wanneer is het uitgebracht?
Het werd gepubliceerd in April 2019. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
WeNet (Penn Treebank)— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van neural Architecture Search - NAS, Language modeling. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
WeNet (Penn Treebank)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 7.3 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA V100. 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.
WeNet (Penn Treebank)— 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.
WeNet (Penn Treebank)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
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.