LSTM+NeuralCache
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
- KU Leuven,ESAT - PSI,Apple
- Organisatietype
- Academia,Academia,Industry
- Land
- Belgium, United States of America
- Gepubliceerd
- 24 September 2018
- Auteurs
- Lyan Verwimp, Joris Pelemans, Hugo Van hamme, Patrick Wambacq
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
- Numerieke indeling
- FP32
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
- 2.1M
- Training gegevens
- 2,000,000 tokens
- Epochs
- 39
Given: Hidden size (H) = 512 Number of hidden layers (L) = 1 Input size (I) is not mentioned, so let's denote it as I The total number of parameters P in an LSTM can be calculated as follows: P = 4 * ((I * H) + (H * H) + H) This is for one layer of LSTM cells. Since the LSTM model described has only one layer, we don't need to multiply by the number of layers. To calculate the exact number of parameters, we would need to know the input size I. However, if you are looking for the number of pa…
" we stop training anyway after 39 epochs"
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
- 9.8 × 10¹⁴ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / parameter / token * 2100000 parameters * 2000000 tokens * 39 epochs = 9.828e+14 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
- 3
- Benchmarkgegevens
- LSTM+NeuralCache
"We obtain a 29.9%/32.1% (validation/test set) relative improvement in perplexity with respect to a baseline LSTM LM on the WikiText-2 dataset, outperforming previous work on neural cache LMs" ... "we observe that neural cache models consistently outperform regular cache models on this dataset."
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Information-Weighted Neural Cache Language Models for ASR
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
LSTM+NeuralCache werd gepubliceerd door KU Leuven,ESAT - PSI,Apple, in het land geregistreerd als Belgium, tijdens September 2018. De categorie waaronder de uitgever valt is 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.
Training en herkomst
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 9.8 × 10¹⁴ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
De trainingsset liep naar ongeveer 2,000,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: sOTA improvement.
Antwoorden
LSTM+NeuralCache — veelgestelde vragen
LSTM+NeuralCache— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 9.8 × 10¹⁴ 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+NeuralCache— 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+NeuralCache— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
LSTM+NeuralCache— hoeveel parameters heeft het?
Het heeft een parameter telling van 2.1M. Given: Hidden size (H) = 512 Number of hidden layers (L) = 1 Input size (I) is not mentioned, so let's denote it as I The total number of parameters P in an LSTM can be calculated as follows: P = 4 * ((I * H) + (H * H) + H) This is for one layer of LSTM cells. Since the LSTM model described has only one layer, we don't need to multiply by the number of layers. To calculate the exact number of parameters, we would need to know the input size I. However, if you are looking for the number of parameters just within a single LSTM cell (assuming I is equal to H), then you can substitute I with H in the above formula: P = 4 * ((H * H) + (H * H) + H) = 4 * (2 * (H^2) + H) For H = 512, this becomes: P = 4 * (2 * (512^2) + 512) = 4 * (2 * 262144 + 512) = 4 * (524288 + 512) = 4 * 524800 ≈ 2,099,200. 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+NeuralCache— wie heeft het gemaakt?
Het werd gepubliceerd door KU Leuven,ESAT - PSI,Apple, gebaseerd op Belgium, een organisatie geclassificeerd als academia,Academia,Industry.
LSTM+NeuralCache— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2018. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
LSTM+NeuralCache— 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.
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.