LSTM LM
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
- RWTH Aachen University
- Organisatietype
- Academia
- Land
- Germany
- Gepubliceerd
- 9 September 2012
- Auteurs
- M. Sundermeyer, R. Schlüter, H. Ney
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
- 102.7M
- Training gegevens
- 27,000,000 tokens
Multiple models were trained, the largest on transcribed French podcast data. "We trained an LSTM LM using 300 hidden nodes and 27 M running words of indomain training data" "Corpus sizes in number of running words; the vocabulary size of the Treebank corpus is 10 K, for Quaero French it is 170 K" Embedding and unembedding: 2*170000*300=102000000 LSTM: 4*600*300=720000 Total: 102000000+720000=102720000=1.03e8 (Assuming the embedding dimension is the same as the LSTM layer)
"We trained an LSTM LM using 300 hidden nodes and 27 M running words of indomain training data."
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
- 1.7 × 10¹⁶ FLOP
- Hoe het werd opgericht
- Operation counting
FLOP per input for LSTM layer is 4*2*(M+N)*M, for N inputs and M outputs. Embedding FLOPs: 2 * 170000 * 300 = 102,000,000 LSTM FLOPs: 4 * 2 * (300 + 300) * 300 = 1,440,000 Unembedding FLOPs: 2 * 170000 * 300 = 102,000,000 Total: 205,440,000 FLOPs per word per forward pass For 27M training input words and including backward passes: 27M * 3 * 205,440,000 = 1.66e16 However, it sounds like they're doing something with a secondary acoustic model, so this may be an underestimate.
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
- Highly cited
- Record vertrouwen
- Speculative
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- LSTM Neural Networks for Language Modeling
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
LSTM LM werd gepubliceerd door RWTH Aachen University, in het land geregistreerd als Germany, tijdens September 2012. 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.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Hoe het getraind werd
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 1.7 × 10¹⁶ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
De trainingsset liep naar ongeveer 27,000,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: highly cited.
Antwoorden
LSTM LM — veelgestelde vragen
LSTM LM— 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.
LSTM LM— hoeveel parameters heeft het?
Het heeft een parameter telling van 102.7M. Multiple models were trained, the largest on transcribed French podcast data. "We trained an LSTM LM using 300 hidden nodes and 27 M running words of indomain training data" "Corpus sizes in number of running words; the vocabulary size of the Treebank corpus is 10 K, for Quaero French it is 170 K" Embedding and unembedding: 2*170000*300=102000000 LSTM: 4*600*300=720000 Total: 102000000+720000=102720000=1.03e8 (Assuming the embedding dimension is the same as the LSTM layer). 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.
LSTM LM— wie heeft het gemaakt?
Het werd gepubliceerd door RWTH Aachen University, gebaseerd op Germany, een organisatie geclassificeerd als academia.
LSTM LM— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2012. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
LSTM LM— 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.
LSTM LM— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.7 × 10¹⁶ 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.
LSTM LM— 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.
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.