Multi-cell LSTM
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- University of Hyderabad
- Typ organizacji
- Academia
- Kraj
- India
- Opublikowany
- 15 November 2018
- Autorzy
- Thomas Cherian, Akshay Badola, Vineet Padmanabhan
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 7.2M
- Dane treningowe
- 929,000 tokens
- Epoki
- 50
Based on the details in the paper, the number of parameters in the Multi-cell LSTM model can be calculated as follows: The model has 2 hidden LSTM layers, each with 1500 hidden units Each LSTM unit is a multi-cell LSTM with 10 memory cells per unit For a standard LSTM layer with n hidden units: W matrix: n x input_size U matrix: n x n 4 bias vectors of size n (for input, forget, cell, output gates) So for each multi-cell LSTM layer with 1500 units and 10 cells per unit: W matrix: 1500 x inp…
50 epochs (from Figure 4)
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 2 × 10¹⁵ FLOP
- Jak to zostało ustalone
- Operation counting
6 FLOP / parameter / token * 7200000 parameters * 929000 tokens * 50 epochs = 2.00664e+15 FLOP
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
- Kod treningowy
- Unreleased
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- SOTA improvement
- Zapisz pewność
- Likely
- Cytaty
- 6
- Dane benchmarkowe
- Multi-cell LSTM
"The proposed multi-cell LSTM language models outperform the state-of-the-art results on well-known Penn Treebank (PTB) setup"
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Multi-cell LSTM Based Neural Language Model
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Skąd to pochodzi
Multi-cell LSTM został opublikowany przez University of Hyderabad, w kraju zapisanym jako India, podczas November 2018. Organizacja publikująca jest klasyfikowana jako academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Szkolenie i pochodzenie
Trenowanie zajęło budżet obliczeniowy wynoszący około 2 × 10¹⁵ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 929,000 Tokeny tekstu.
Powód, dla którego w ogóle pojawia się w tym katalogu: sOTA improvement.
Odpowiedzi
Multi-cell LSTM — częste pytania
Multi-cell LSTM— kto to stworzył?
Zostało opublikowane przez University of Hyderabad, oparty na India, organizacja sklasyfikowana jako academia.
Multi-cell LSTM— kiedy to zostało wydane?
Zostało opublikowane w November 2018. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Multi-cell LSTM— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
Multi-cell LSTM— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2 × 10¹⁵ FLOP. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
Multi-cell LSTM— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
Multi-cell LSTM— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Multi-cell LSTM— ile ma parametrów?
Ma liczbę parametrów równą 7.2M. Based on the details in the paper, the number of parameters in the Multi-cell LSTM model can be calculated as follows: The model has 2 hidden LSTM layers, each with 1500 hidden units Each LSTM unit is a multi-cell LSTM with 10 memory cells per unit For a standard LSTM layer with n hidden units: W matrix: n x input_size U matrix: n x n 4 bias vectors of size n (for input, forget, cell, output gates) So for each multi-cell LSTM layer with 1500 units and 10 cells per unit: W matrix: 1500 x input_size U matrix: 1500 x 1500 4 bias vectors of size 1500 Number of parameters is same as standard LSTM layer For the 2 hidden layers: Input size for Layer 1: embedding dimension (estimated 300 in paper) Input size for Layer 2: 1500 (output of layer 1) Total params = Layer 1: 1500 x (300 + 1500 + 4) = 2,706,000 Layer 2: 1500 x (1500 + 1500 + 4) = 4,506,000 Total Parameters = 2,706,000 + 4,506,000 = 7,212,000 So the total number of parameters for the Multi-cell LSTM model with 2 layers of 1500 units and 10 cells per unit is approximately 7.2 million. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.