RNN (SGD+CLR)
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
- University of Montreal / Université de Montréal
- Organisatietype
- Academia
- Land
- Canada
- Gepubliceerd
- 14 December 2012
- Auteurs
- Yoshua Bengio, Nicolas Boulanger-Lewandowski and Razvan Pascanu
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Audio
- Taak
- Language modeling, Audio generation
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
- 195.6K
- Training gegevens
- tokens
It uses 400 hidden units (selected via hyperparameter tuning) The input size is 88 (corresponding to the 88 piano pitches) It uses rectified linear units, so no activation function parameters So the number of parameters would be: Input to hidden weights: 88 * 400 = 35,200 Hidden to hidden weights: 400 * 400 = 160,000 Biases: 400 Total: ~195,600 parameters Above estimate is by Claude 2. Should be checked manually.
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
- Speculative
- Citaties
- 647
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Advances in Optimizing Recurrent Networks
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Wat dit model is
RNN (SGD+CLR) werd gepubliceerd door University of Montreal / Université de Montréal, in het land geregistreerd als Canada, tijdens December 2012. Het komt uit een organisatie gecategoriseerd als academia.
Het werkt in het domein van Audio, en wordt geregistreerd als het uitvoeren van de taak van language modeling, Audio generation.
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.
Antwoorden
RNN (SGD+CLR) — veelgestelde vragen
RNN (SGD+CLR)— waarvoor wordt het gebruikt?
Het werkt in het domein van Audio, en wordt geregistreerd als het afhandelen van language modeling, Audio generation. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
RNN (SGD+CLR)— 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.
RNN (SGD+CLR)— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
RNN (SGD+CLR)— hoeveel parameters heeft het?
Het heeft een parameter telling van 195.6K. It uses 400 hidden units (selected via hyperparameter tuning) The input size is 88 (corresponding to the 88 piano pitches) It uses rectified linear units, so no activation function parameters So the number of parameters would be: Input to hidden weights: 88 * 400 = 35,200 Hidden to hidden weights: 400 * 400 = 160,000 Biases: 400 Total: ~195,600 parameters Above estimate is by Claude 2. Should be checked manually. 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.
RNN (SGD+CLR)— wie heeft het gemaakt?
Het werd gepubliceerd door University of Montreal / Université de Montréal, gebaseerd op Canada, een organisatie geclassificeerd als academia.
RNN (SGD+CLR)— wanneer is het uitgebracht?
Het werd gepubliceerd in December 2012. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
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.