Multi-cell LSTM
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
- University of Hyderabad
- Organisatietype
- Academia
- Land
- India
- Gepubliceerd
- 15 November 2018
- Auteurs
- Thomas Cherian, Akshay Badola, Vineet Padmanabhan
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
- 7.2M
- Training gegevens
- 929,000 tokens
- Epochs
- 50
Based on the details in the paper, the number of parameters in the Multi-cell LSTM model can be calculated as follows: The model has 2 hidden LSTM layers, each with 1500 hidden units Each LSTM unit is a multi-cell LSTM with 10 memory cells per unit For a standard LSTM layer with n hidden units: W matrix: n x input_size U matrix: n x n 4 bias vectors of size n (for input, forget, cell, output gates) So for each multi-cell LSTM layer with 1500 units and 10 cells per unit: W matrix: 1500 x inp…
50 epochs (from Figure 4)
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 × 10¹⁵ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / parameter / token * 7200000 parameters * 929000 tokens * 50 epochs = 2.00664e+15 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
- Unreleased
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
- 6
- Benchmarkgegevens
- Multi-cell LSTM
"The proposed multi-cell LSTM language models outperform the state-of-the-art results on well-known Penn Treebank (PTB) setup"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Multi-cell LSTM Based Neural Language Model
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Waar het vandaan kwam
Multi-cell LSTM werd gepubliceerd door University of Hyderabad, in het land geregistreerd als India, tijdens November 2018. De publicerende organisatie is geclassificeerd als academia.
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.
Training en herkomst
Training kostte een rekensbudget van ongeveer 2 × 10¹⁵ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het is getraind op een corpus van ongeveer 929,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: sOTA improvement.
Antwoorden
Multi-cell LSTM — veelgestelde vragen
Multi-cell LSTM— wie heeft het gemaakt?
Het werd gepubliceerd door University of Hyderabad, gebaseerd op India, een organisatie geclassificeerd als academia.
Multi-cell LSTM— wanneer is het uitgebracht?
Het werd gepubliceerd in November 2018. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Multi-cell LSTM— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van 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.
Multi-cell LSTM— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2 × 10¹⁵ 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.
Multi-cell LSTM— 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.
Multi-cell LSTM— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Multi-cell LSTM— hoeveel parameters heeft het?
Het heeft een parameter telling van 7.2M. Based on the details in the paper, the number of parameters in the Multi-cell LSTM model can be calculated as follows: The model has 2 hidden LSTM layers, each with 1500 hidden units Each LSTM unit is a multi-cell LSTM with 10 memory cells per unit For a standard LSTM layer with n hidden units: W matrix: n x input_size U matrix: n x n 4 bias vectors of size n (for input, forget, cell, output gates) So for each multi-cell LSTM layer with 1500 units and 10 cells per unit: W matrix: 1500 x input_size U matrix: 1500 x 1500 4 bias vectors of size 1500 Number of parameters is same as standard LSTM layer For the 2 hidden layers: Input size for Layer 1: embedding dimension (estimated 300 in paper) Input size for Layer 2: 1500 (output of layer 1) Total params = Layer 1: 1500 x (300 + 1500 + 4) = 2,706,000 Layer 2: 1500 x (1500 + 1500 + 4) = 4,506,000 Total Parameters = 2,706,000 + 4,506,000 = 7,212,000 So the total number of parameters for the Multi-cell LSTM model with 2 layers of 1500 units and 10 cells per unit is approximately 7.2 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.
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.