Large regularized 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
- New York University (NYU),Google Brain
- Typ organizacji
- Academia,Industry
- Kraj
- United States of America
- Opublikowany
- 8 September 2014
- Autorzy
- Wojciech Zaremba, Ilya Sutskever, Oriol Vinyals
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
- 66M
- Dane treningowe
- 929,000 tokens
- Epoki
- 55
"The large LSTM has 1500 units per layer and its parameters are initialized uniformly in [−0.04, 0.04]" 66M according to Table 3 of https://arxiv.org/pdf/1611.01462
" We train the model for 55 epochs with a learning rate of 1"
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
- 4.3 × 10¹⁶ FLOP
- Jak to zostało ustalone
- Hardware,Operation counting
3520000000000 FLOP / s/ GPU [tesla k20c assumed, the paper says just "Nvidia k20"] * 1 GPU * 24 hours [could be less, they report "the entire day"] * 3600 s / hour * 0.3 [assumed utilization] = 9.12384e+16 FLOP 6 FLOP / parameter / token * 66000000 parameters * 929000 tokens * 55 epochs = 2.023362e+16 FLOP sqrt(2.023362e+16*9.12384e+16) = 4.2966069e+16
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA Tesla K20c
- Zastosowane chipy
- 1
- Czas rzeczywisty
- 24 hours
- Pobór mocy
- 264 W
"Training this network takes an entire day on an NVIDIA K20 GPU."
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
Apache: https://github.com/wojzaremba/lstm train: https://github.com/wojzaremba/lstm/blob/master/main.lua
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 3,224
- Dane benchmarkowe
- Large regularized LSTM
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Recurrent Neural Network Regularization
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Skąd to pochodzi
Large regularized LSTM został opublikowany przez New York University (NYU),Google Brain, w kraju zapisanym jako United States of America, podczas September 2014. Organizacja publikująca jest klasyfikowana jako academia,Industry.
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.
Co poszło w budowę tego
Wytworzenie tego wymagało arytmetyki sumującej około 4.3 × 10¹⁶ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Tesla K20c. 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.
Odpowiedzi
Large regularized LSTM — częste pytania
Large regularized LSTM— kiedy to zostało wydane?
Zostało opublikowane w September 2014. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Large regularized LSTM— 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.
Large regularized LSTM— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 4.3 × 10¹⁶ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Tesla K20c. 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.
Large regularized 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.
Large regularized LSTM— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Large regularized LSTM— ile ma parametrów?
Ma liczbę parametrów równą 66M. "The large LSTM has 1500 units per layer and its parameters are initialized uniformly in [−0.04, 0.04]" 66M according to Table 3 of 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.
Large regularized LSTM— kto to stworzył?
Zostało opublikowane przez New York University (NYU),Google Brain, oparty na United States of America, organizacja sklasyfikowana jako academia,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.