Large regularized LSTM
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
- New York University (NYU),Google Brain
- Organisatietype
- Academia,Industry
- Land
- United States of America
- Gepubliceerd
- 8 September 2014
- Auteurs
- Wojciech Zaremba, Ilya Sutskever, Oriol Vinyals
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
- 66M
- Training gegevens
- 929,000 tokens
- Epochs
- 55
"The large LSTM has 1500 units per layer and its parameters are initialized uniformly in [−0.04, 0.04]" 66M according to Table 3 of https://arxiv.org/pdf/1611.01462
" We train the model for 55 epochs with a learning rate of 1"
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
- 4.3 × 10¹⁶ FLOP
- Hoe het werd opgericht
- Hardware,Operation counting
3520000000000 FLOP / s/ GPU [tesla k20c assumed, the paper says just "Nvidia k20"] * 1 GPU * 24 hours [could be less, they report "the entire day"] * 3600 s / hour * 0.3 [assumed utilization] = 9.12384e+16 FLOP 6 FLOP / parameter / token * 66000000 parameters * 929000 tokens * 55 epochs = 2.023362e+16 FLOP sqrt(2.023362e+16*9.12384e+16) = 4.2966069e+16
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 K20c
- Gebruikte chips
- 1
- Kloktijd
- 24 hours
- Stroomverbruik
- 264 W
"Training this network takes an entire day on an NVIDIA K20 GPU."
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 source
Apache: https://github.com/wojzaremba/lstm train: https://github.com/wojzaremba/lstm/blob/master/main.lua
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
- Confident
- Citaties
- 3,224
- Benchmarkgegevens
- Large regularized LSTM
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Recurrent Neural Network Regularization
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Waar het vandaan kwam
Large regularized LSTM werd gepubliceerd door New York University (NYU),Google Brain, in het land geregistreerd als United States of America, tijdens September 2014. De publicerende organisatie is geclassificeerd als academia,Industry.
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.
Wat erin ging zitten om het te bouwen
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 4.3 × 10¹⁶ FLOP, op hardware vastgelegd als NVIDIA Tesla K20c. 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
Antwoorden
Large regularized LSTM — veelgestelde vragen
Large regularized LSTM— 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.
Large regularized LSTM— 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.
Large regularized LSTM— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 4.3 × 10¹⁶ FLOP, op hardware vastgelegd als NVIDIA Tesla K20c. 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.
Large regularized LSTM— 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.
Large regularized LSTM— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Large regularized LSTM— hoeveel parameters heeft het?
Het heeft een parameter telling van 66M. "The large LSTM has 1500 units per layer and its parameters are initialized uniformly in [−0.04, 0.04]" 66M according to Table 3 of https://arxiv.org/pdf/1611.01462. 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.
Large regularized LSTM— wie heeft het gemaakt?
Het werd gepubliceerd door New York University (NYU),Google Brain, gebaseerd op United States of America, een organisatie geclassificeerd als academia,Industry.
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.