RNNLM + Dynamic KL Regularization
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
- 1 January 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
- 13.3M
- Training gegevens
- tokens
- Epochs
- 20
2-layer LSTM, 650 hidden units per layer, embedding size = 650. Penn Treebank standard vocab = ~10k words (from Zaremba et al. 2014) 2 * (4 * (650*650 + 650*650 + 650)) + (650*10000)+10000 = 13275200
Penn Treebank known to have 930k tokens
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
- 5 × 10¹⁴ FLOP
((8*650*(650+650))*2)*2 * 930000 tokens/epoch * 20 epochs = 5.029e14. batch size assumed from prior literature
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
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
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
RNNLM + Dynamic KL Regularization werd gepubliceerd door Northwestern University, in het land geregistreerd als United States of America, tijdens January 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
De training run verbruikte ongeveer 5 × 10¹⁴ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
RNNLM + Dynamic KL Regularization — veelgestelde vragen
RNNLM + Dynamic KL Regularization— hoeveel parameters heeft het?
Het heeft een parameter telling van 13.3M. 2-layer LSTM, 650 hidden units per layer, embedding size = 650. Penn Treebank standard vocab = ~10k words (from Zaremba et al. 2014) 2 * (4 * (650*650 + 650*650 + 650)) + (650*10000)+10000 = 13275200. 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.
RNNLM + Dynamic KL Regularization— 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— wanneer is het uitgebracht?
Het werd gepubliceerd in January 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— 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— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 5 × 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.
RNNLM + Dynamic KL Regularization— 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— 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.