RNNLM + Dynamic KL Regularization (WT2)
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
- Northwestern University
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 27 April 2018
- Auteurs
- Thanapon Noraset, David Demeter, Doug Downey
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
- 87.6M
- Training gegevens
- 2,000,000 tokens
- Epochs
- 20
Calculatable - 2-layer LSTM with 650 hidden units.
"Perplexity validation stops significantly improving after around 20 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
- 2.1 × 10¹⁶ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / parameter / token * 87600000 parameters * 2000000 tokens * 20 epochs = 2.1024e+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
- Unreleased
code, but not experiment code: https://github.com/northanapon/seqmodel/tree/aaai18
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
- 9
- Benchmarkgegevens
- RNNLM + Dynamic KL Regularization (WT2)
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Controlling Global Statistics in Recurrent Neural Network Text Generation
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Waar het vandaan kwam
RNNLM + Dynamic KL Regularization (WT2) werd gepubliceerd door Northwestern University, in het land geregistreerd als United States of America, tijdens April 2018. Het komt uit een organisatie gecategoriseerd als academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Hoe het getraind werd
De training run verbruikte ongeveer 2.1 × 10¹⁶ 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 2,000,000 tekstokens
Antwoorden
RNNLM + Dynamic KL Regularization (WT2) — veelgestelde vragen
RNNLM + Dynamic KL Regularization (WT2)— wie heeft het gemaakt?
Het werd gepubliceerd door Northwestern University, gebaseerd op United States of America, een organisatie geclassificeerd als academia.
RNNLM + Dynamic KL Regularization (WT2)— wanneer is het uitgebracht?
Het werd gepubliceerd in April 2018. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
RNNLM + Dynamic KL Regularization (WT2)— 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.
RNNLM + Dynamic KL Regularization (WT2)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.1 × 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.
RNNLM + Dynamic KL Regularization (WT2)— 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.
RNNLM + Dynamic KL Regularization (WT2)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
RNNLM + Dynamic KL Regularization (WT2)— hoeveel parameters heeft het?
Het heeft een parameter telling van 87.6M. Calculatable - 2-layer LSTM with 650 hidden units. 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.