Variational (untied weights, MC) LSTM (Large)
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 Cambridge
- Typ organizacji
- Academia
- Kraj
- United Kingdom of Great Britain and Northern Ireland
- Opublikowany
- 16 December 2015
- Autorzy
- Yarin Gal, Zoubin Ghahramani
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling
- Format numeryczny
- FP32
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 66M
- Dane treningowe
- 929,000 tokens
- Epoki
- 16
66M according to https://arxiv.org/pdf/1611.01462
"We had to use early stopping for the large model with [20]’s variant as the model starts overfitting after 16 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
- 5.9 × 10¹⁵ FLOP
- Jak to zostało ustalone
- Operation counting
6 FLOP / parameter / token * 66000000 parameters * 929000 tokens * 16 epochs = 5.886144e+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
- Highly cited,SOTA improvement
- Zapisz pewność
- Confident
- Cytaty
- 1,838
- Dane benchmarkowe
- Variational (untied weights, MC) LSTM (Large)
"The new approach outperforms existing techniques, and to the best of our knowledge improves on the single model state-of-the-art in language modelling with the Penn Treebank (73.4 test perplexity)"
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- A Theoretically Grounded Application of Dropout in Recurrent Neural Networks
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
Co to jest model?
Variational (untied weights, MC) LSTM (Large) został opublikowany przez University of Cambridge, w kraju zapisanym jako United Kingdom of Great Britain and Northern Ireland, podczas December 2015. Wychodzi z organizacji zaklasyfikowanej jako academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Szkolenie i pochodzenie
Wytworzenie tego wymagało arytmetyki sumującej około 5.9 × 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.
Kryterium włączenia: highly cited,SOTA improvement.
Odpowiedzi
Variational (untied weights, MC) LSTM (Large) — częste pytania
Variational (untied weights, MC) LSTM (Large)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 5.9 × 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.
Variational (untied weights, MC) LSTM (Large)— 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.
Variational (untied weights, MC) LSTM (Large)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Variational (untied weights, MC) LSTM (Large)— ile ma parametrów?
Ma liczbę parametrów równą 66M. 66M according to https://arxiv.org/pdf/1611.01462. 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.
Variational (untied weights, MC) LSTM (Large)— kto to stworzył?
Zostało opublikowane przez University of Cambridge, oparty na United Kingdom of Great Britain and Northern Ireland, organizacja sklasyfikowana jako academia.
Variational (untied weights, MC) LSTM (Large)— kiedy to zostało wydane?
Zostało opublikowane w December 2015. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Variational (untied weights, MC) LSTM (Large)— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
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.