KN5 LM + RNN 400/10 (WSJ)
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
- Brno University of Technology,Johns Hopkins University
- Organisatietype
- Academia,Academia
- Land
- Czechia, United States of America
- Gepubliceerd
- 26 September 2010
- Auteurs
- T. Mikolov, M. Karafiat, L. Burget, J. Cernock ´ y, and S. Khudanpur
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Speech
- Taak
- Transcription
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
- 22.2M
- Training gegevens
- 6,400,000 tokens
RNN 400/10 indicates that the model has 400 units in the hidden layer and merges words that occur less than 10 times in the training set. The model is trained on a 6.4M word subset of the NYT subset of English Gigaword. In this colab notebook, I estimate the vocabulary after merging infrequent words using english word frequency data at around 27.5k: https://colab.research.google.com/drive/1K5qH0EqXtFwTLESNtp4oelCM28GpGXt6?usp=sharing Then RNN 400/10 has: (27.5k + 400) * 400 + (400 * 27.5k) = 2…
The training corpus consists of 37M words from NYT section of English Gigaword. As it is very time consuming to train RNN LM on large data, we have used only up to 6.4M words for training RNN models (300K sentences) - it takes several weeks to train the most complex models
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
"Convergence is usually achieved after 10-20 epochs." 6 * 22,160,000 * 20 * 6.4M = 1.70e16
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Kloktijd
- 504 hours (21 days)
"it takes several weeks to train the most complex models" Assume several weeks is around 3 weeks, or 504 hours
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.
- Grensmodel
- Yes
- Waarom het wordt gevolgd
- Highly cited
- Record vertrouwen
- Confident
- Citaties
- 6,038
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Recurrent neural network based language model
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Waar het vandaan kwam
KN5 LM + RNN 400/10 (WSJ) werd gepubliceerd door Brno University of Technology,Johns Hopkins University, in het land geregistreerd als Czechia, tijdens September 2010. De categorie waaronder de uitgever valt is academia,Academia.
Het werkt in het domein van Speech, en wordt geregistreerd als het uitvoeren van de taak van transcription.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Training en herkomst
Training kostte een rekensbudget 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 6,400,000 tekstokens
De inclusiecriteria: highly cited.
Antwoorden
KN5 LM + RNN 400/10 (WSJ) — veelgestelde vragen
KN5 LM + RNN 400/10 (WSJ)— wie heeft het gemaakt?
Het werd gepubliceerd door Brno University of Technology,Johns Hopkins University, gebaseerd op Czechia, een organisatie geclassificeerd als academia,Academia.
KN5 LM + RNN 400/10 (WSJ)— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2010. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
KN5 LM + RNN 400/10 (WSJ)— waarvoor wordt het gebruikt?
Het werkt in het domein van Speech, en wordt geregistreerd als het afhandelen van transcription. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
KN5 LM + RNN 400/10 (WSJ)— 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.
KN5 LM + RNN 400/10 (WSJ)— 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.
KN5 LM + RNN 400/10 (WSJ)— 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.
KN5 LM + RNN 400/10 (WSJ)— hoeveel parameters heeft het?
Het heeft een parameter telling van 22.2M. RNN 400/10 indicates that the model has 400 units in the hidden layer and merges words that occur less than 10 times in the training set. The model is trained on a 6.4M word subset of the NYT subset of English Gigaword. In this colab notebook, I estimate the vocabulary after merging infrequent words using english word frequency data at around 27.5k: https://colab.research.google.com/drive/1K5qH0EqXtFwTLESNtp4oelCM28GpGXt6?usp=sharing Then RNN 400/10 has: (27.5k + 400) * 400 + (400 * 27.5k) = 22.16M parameters The KN5 LM is effectively a lookup table over 5-grams in it's training data. In one sense, this means it has approximately as many parameters as unique 5-grams in the 37M words of training data. However, these aren't parameters in the same sense as neural networks, as they are accessed as a lookup table, so on each forward pass only one parameter is active. I choose not to include these parameters in our count. 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.
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.