LSTM with forget gates
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
- IDSIA
- Organisatietype
- Academia
- Land
- Switzerland
- Gepubliceerd
- 2 January 1999
- Auteurs
- F. A. Gers, J. Schmidhuber, and F. Cummins
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language Structure 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
- 0.3K
- Training gegevens
- 140,870,000 tokens
See Table 1
Training was stopped after at most 30000 training streams, each of which was ended when the first prediction error or the 100000th successive input symbol occurred NOTE this is a weird task. Not sure how to measure dataset size (#seqs? #symbols?)
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
- Citaties
- 6,283
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Learning to forget: Continual prediction with LSTM
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
LSTM with forget gates werd gepubliceerd door IDSIA, in het land geregistreerd als Switzerland, tijdens January 1999. Het komt uit een organisatie gecategoriseerd als academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language Structure 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.
Training en herkomst
Het is getraind op een corpus van ongeveer 140,870,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: highly cited.
Antwoorden
LSTM with forget gates — veelgestelde vragen
LSTM with forget gates— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language Structure Modeling. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
LSTM with forget gates— 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.
LSTM with forget gates— 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 with forget gates— hoeveel parameters heeft het?
Het heeft een parameter telling van 0.3K. See Table 1. 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 with forget gates— wie heeft het gemaakt?
Het werd gepubliceerd door IDSIA, gebaseerd op Switzerland, een organisatie geclassificeerd als academia.
LSTM with forget gates— wanneer is het uitgebracht?
Het werd gepubliceerd in January 1999. 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.