RNNLM + Dynamic KL Regularization
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
- Northwestern University
- Typ organizacji
- Academia
- Kraj
- United States of America
- Opublikowany
- 1 January 2018
- Autorzy
- Thanapon Noraset, David Demeter, Doug Downey
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
- 13.3M
- Dane treningowe
- tokens
- Epoki
- 20
2-layer LSTM, 650 hidden units per layer, embedding size = 650. Penn Treebank standard vocab = ~10k words (from Zaremba et al. 2014) 2 * (4 * (650*650 + 650*650 + 650)) + (650*10000)+10000 = 13275200
Penn Treebank known to have 930k tokens
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
- 5 × 10¹⁴ FLOP
((8*650*(650+650))*2)*2 * 930000 tokens/epoch * 20 epochs = 5.029e14. batch size assumed from prior literature
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
code, but not experiment code: https://github.com/northanapon/seqmodel/tree/aaai18
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Likely
- Cytaty
- 9
- Dane benchmarkowe
- RNNLM + Dynamic KL Regularization
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Controlling Global Statistics in Recurrent Neural Network Text Generation
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Co to jest model?
RNNLM + Dynamic KL Regularization został opublikowany przez Northwestern University, w kraju zapisanym jako United States of America, podczas January 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
Trening zajmował około 5 × 10¹⁴ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Odpowiedzi
RNNLM + Dynamic KL Regularization — częste pytania
RNNLM + Dynamic KL Regularization— ile ma parametrów?
Ma liczbę parametrów równą 13.3M. 2-layer LSTM, 650 hidden units per layer, embedding size = 650. Penn Treebank standard vocab = ~10k words (from Zaremba et al. 2014) 2 * (4 * (650*650 + 650*650 + 650)) + (650*10000)+10000 = 13275200. 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.
RNNLM + Dynamic KL Regularization— kto to stworzył?
Zostało opublikowane przez Northwestern University, oparty na United States of America, organizacja sklasyfikowana jako academia.
RNNLM + Dynamic KL Regularization— kiedy to zostało wydane?
Zostało opublikowane w January 2018. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
RNNLM + Dynamic KL Regularization— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
RNNLM + Dynamic KL Regularization— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 5 × 10¹⁴ 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.
RNNLM + Dynamic KL Regularization— 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.
RNNLM + Dynamic KL Regularization— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
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.