SPN-4+KN5
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
- Singapore University of Technology & Design,DSO National Laboratories
- Organisatietype
- Academia,Government
- Land
- Singapore
- Gepubliceerd
- 14 September 2014
- Auteurs
- W. Cheng, Stanley Kok, Hoai Vu Pham, Hai Leong Chieu, K. M. A. Chai
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
- 5M
- Training gegevens
- 929,000 tokens
Estimate from table 2 of https://arxiv.org/abs/1609.07843 The authors of the linked paper draw on estimates from table 3 of https://arxiv.org/pdf/1508.06615.pdf
seems like the authors use a non-standard split for the dataset "We performed our experiments on the commonly used Penn Treebank corpus [15], and adhered to the experimental setup used in previous work [6, 9]. We used sections 0-20, sections 21-22, and sections 23-24 respectively as training, validation and test sets" apparently the most common split is "In the most common split of this corpus, sections from 0 to 18 are used for training (38 219 sentences, 912 344 tokens), sections from 19 to …
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
- 4.4 × 10¹⁶ FLOP
- Hoe het werd opgericht
- Hardware
40h, 1 GPU, 1028e9 Peak FLOP/s, 30% 1028000000000 FLOP/s/GPU * 1GPU * 40 hours * 3600 s/hour * 0.3 [assumed utilization] = 4.44096e+16 FLOP
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA Tesla C2075
- Gebruikte chips
- 1
- Kloktijd
- 40 hours
- Stroomverbruik
- 290 W
""e stopped training our SPN when its performance on the validation set stops improving at two consecutive evaluation points, or when it has run for 40 hours, whichever occurred first. (It turned out that both SPN-3 and SPN-4 ran for the maximum of 40 hours.) We parallelized our SPN code2 to run on a GPU, and ran our experiments on a machine with a 2.4 GHz CPU and an NVIDIA Tesla C2075 GPU (448 CUDA cores, 5GB of device memory)."
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
- Open (non-commercial)
code, no license specified: https://github.com/stakok/lmspn/tree/master/SPNLM training code: https://github.com/stakok/lmspn/blob/master/SPNLM/README.doc
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
- 102
- Benchmarkgegevens
- SPN-4+KN5
"Our empirical comparisons with six previous language models indicate that our SPN has superior performance"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Language modeling with sum-product networks
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
SPN-4+KN5 werd gepubliceerd door Singapore University of Technology & Design,DSO National Laboratories, in het land geregistreerd als Singapore, tijdens September 2014. De publicerende organisatie is geclassificeerd als academia,Government.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Hoe het getraind werd
Training kostte een rekensbudget van ongeveer 4.4 × 10¹⁶ FLOP, op hardware vastgelegd als NVIDIA Tesla C2075. 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
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: sOTA improvement.
Antwoorden
SPN-4+KN5 — veelgestelde vragen
SPN-4+KN5— hoeveel parameters heeft het?
Het heeft een parameter telling van 5M. Estimate from table 2 of https://arxiv.org/abs/1609.07843 The authors of the linked paper draw on estimates from table 3 of https://arxiv.org/pdf/1508.06615.pdf. 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.
SPN-4+KN5— wie heeft het gemaakt?
Het werd gepubliceerd door Singapore University of Technology & Design,DSO National Laboratories, gebaseerd op Singapore, een organisatie geclassificeerd als academia,Government.
SPN-4+KN5— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2014. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
SPN-4+KN5— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
SPN-4+KN5— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 4.4 × 10¹⁶ FLOP, op hardware vastgelegd als NVIDIA Tesla C2075. 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.
SPN-4+KN5— 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.
SPN-4+KN5— 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.