RNN+LDA+KN5+cache
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
- Microsoft,Brno University of Technology
- Organisatietype
- Industry,Academia
- Land
- United States of America, Czechia
- Gepubliceerd
- 1 December 2012
- Auteurs
- Tomas Mikolov, Geoffrey Zweig
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
- 9M
- Training gegevens
- 929,000 tokens
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
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
- Citaties
- 716
- Benchmarkgegevens
- RNN+LDA+KN5+cache
"We report perplexity results on the Penn Treebank data, where we achieve a new state-of-the-art"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Context dependent recurrent neural network language model
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
RNN+LDA+KN5+cache werd gepubliceerd door Microsoft,Brno University of Technology, in het land geregistreerd als United States of America, tijdens December 2012. De categorie waaronder de uitgever valt is industry,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
Training verbruikte een corpus van ongeveer 929,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: sOTA improvement.
Antwoorden
RNN+LDA+KN5+cache — veelgestelde vragen
RNN+LDA+KN5+cache— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
RNN+LDA+KN5+cache— 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+LDA+KN5+cache— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
RNN+LDA+KN5+cache— hoeveel parameters heeft het?
Het heeft een parameter telling van 9M. 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+LDA+KN5+cache— wie heeft het gemaakt?
Het werd gepubliceerd door Microsoft,Brno University of Technology, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia.
RNN+LDA+KN5+cache— 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.