VD-LSTM+REAL Small
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
- Stanford University,Salesforce Research
- Typ organizacji
- Academia,Industry
- Kraj
- United States of America
- Opublikowany
- 4 November 2016
- Autorzy
- Hakan Inan, Khashayar Khosravi, 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
- 6.8M
- Dane treningowe
- tokens
- Epoki
- 60
VD-LSTM+REAL Large has 51M parameters. The parameter count of the Small model is not reported, but they say it has 200 hidden units per layer, compared to 1500 for the Large model. Neglecting the rest of the architecture, 51M * (200/1500) = 6.8M
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.
- Zapisz pewność
- Likely
- Cytaty
- 404
- Dane benchmarkowe
- VD-LSTM+REAL Small
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Tying Word Vectors and Word Classifiers: A Loss Framework for Language Modeling
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Skąd to pochodzi
VD-LSTM+REAL Small został opublikowany przez Stanford University,Salesforce Research, w kraju zapisanym jako United States of America, podczas November 2016. Kategoria, do której należy wydawca, to academia,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.
Odpowiedzi
VD-LSTM+REAL Small — częste pytania
VD-LSTM+REAL Small— kto to stworzył?
Zostało opublikowane przez Stanford University,Salesforce Research, oparty na United States of America, organizacja sklasyfikowana jako academia,Industry.
VD-LSTM+REAL Small— kiedy to zostało wydane?
Zostało opublikowane w November 2016. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
VD-LSTM+REAL Small— 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.
VD-LSTM+REAL Small— 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.
VD-LSTM+REAL Small— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
VD-LSTM+REAL Small— ile ma parametrów?
Ma liczbę parametrów równą 6.8M. VD-LSTM+REAL Large has 51M parameters. The parameter count of the Small model is not reported, but they say it has 200 hidden units per layer, compared to 1500 for the Large model. Neglecting the rest of the architecture, 51M * (200/1500) = 6.8M. 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.