AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)
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
- Salesforce Research
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 7 August 2017
- Autorzy
- Stephen Merity, Nitish Shirish Keskar, Richard Socher
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
- 33M
- Dane treningowe
- 2,000,000 tokens
- Epoki
- 750
33M (Table 2)
"For training the models, we use the NT-ASGD algorithm discussed in the previous section for 750 epochs"
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
- 3 × 10¹⁷ FLOP
- Jak to zostało ustalone
- Operation counting
6 FLOP / parameter / token * 33000000 parameters * 2000000 tokens * 750 epochs = 2.97e+17 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
- Open source
bsd-3 license: https://github.com/salesforce/awd-lstm-lm train/eval code: https://github.com/salesforce/awd-lstm-lm/blob/master/main.py
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- Highly cited,SOTA improvement
- Zapisz pewność
- Confident
- Cytaty
- 1,176
- Dane benchmarkowe
- AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)
"we achieve an even lower state-of-the-art perplexity of 52.8 on Penn Treebank and 52.0 on WikiText-2."
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Regularizing and Optimizing LSTM Language Models
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
Tło
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2) został opublikowany przez Salesforce Research, w kraju zapisanym jako United States of America, podczas August 2017. Wychodzi z organizacji zaklasyfikowanej jako industry.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Jak to zostało wytrenowane
Wytworzenie tego wymagało arytmetyki sumującej około 3 × 10¹⁷ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 2,000,000 Tokeny tekstu.
Jest śledzone w podstawowym zbiorze danych z jednego szczególnego powodu: highly cited,SOTA improvement.
Odpowiedzi
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2) — częste pytania
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— kiedy to zostało wydane?
Zostało opublikowane w August 2017. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— 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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 3 × 10¹⁷ 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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— 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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— ile ma parametrów?
Ma liczbę parametrów równą 33M. 33M (Table 2). 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.
AWD-LSTM - 3-layer LSTM (tied) + continuous cache pointer (WT2)— kto to stworzył?
Zostało opublikowane przez Salesforce Research, oparty na United States of America, organizacja sklasyfikowana jako industry.
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.