LSTM+NeuralCache
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of op uw eigen hardware worden uitgevoerd in welke omvang dan ook. Het is alleen toegankelijk via de provider, en geen grafische kaart verandert dat.
Op record
Volledige specificatie
Alles over dit model vastgelegd. Het meeste beschrijft hoe het getraind is in plaats van hoe het draait — nuttige context om te beoordelen hoeveel werk erin gestoken is en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd.
Oorsprong
Wie heeft dit model gebouwd, waar en wanneer het werd gepubliceerd.
- Organisatie
- KU Leuven,ESAT - PSI,Apple
- Organisatie type
- 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 er verschillende van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
- Numeriek formaat
- FP32
Grootte
Hoe groot het model is en hoeveel data erop is getraind. Parameters zijn de cijfers die bepalen of het op een bepaalde grafische kaart past.
- Parameters
- 2.1M
- Opleidingsgegevens
- 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 berekeningen
De rekeningen die worden uitgevoerd om het model te trainen, gemeten in drijvende-komma-berekeningen. Het is een maat voor wat de trainingsrun kostte, niet hoe snel het voltooide model je antwoordt.
- Training berekeningen
- 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
- Model toegang
- Unreleased
- Trainingscode
- Unreleased
Hoe het is geclassificeerd
Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- SOTA improvement
- Vereiste vertrouwen
- Likely
- Citaties
- 3
- Benchmark data
- 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 komt en wanneer het 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 was published by KU Leuven,ESAT - PSI,Apple, in Belgium, in September 2018. academia,Academia,Industry is the category the publisher falls under.
Het werkt in Taal, en wordt geregistreerd als het uitvoeren van taalmodellering.
Omdat de gewichten niet beschikbaar zijn, zijn geen van de hardwarecijfers elders op deze site op dit van toepassing.
Training en afkomst
Producing it required around 9.8 × 10¹⁴ FLOP of arithmetic, which is a statement about the training budget rather than about inference.
The training set ran to roughly 2,000,000 tokens.
The reason it appears in this catalogue at all is sOTA improvement.
Antwoorden
LSTM+NeuralCache — Veelgestelde vragen
How much compute was used to train LSTM+NeuralCache?
Around 9.8 × 10¹⁴ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run LSTM+NeuralCache?
None. LSTM+NeuralCache is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is LSTM+NeuralCache open source?
No. LSTM+NeuralCache has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does LSTM+NeuralCache have?
LSTM+NeuralCache has 2.1M parameters. 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. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created LSTM+NeuralCache?
LSTM+NeuralCache was published by KU Leuven,ESAT - PSI,Apple, based in Belgium, categorised as academia,Academia,Industry.
When was LSTM+NeuralCache released?
LSTM+NeuralCache was published in September 2018. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is LSTM+NeuralCache used for?
LSTM+NeuralCache works in Language, and is recorded as handling language modeling. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
De andere richting
Vanuit het andere perspectief bekijken?
Deze pagina begint bij het model. Als u al een kaart bezit en alles wilt weten wat het zal uitvoeren, Begin liever bij de hardware.