QRNN
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- Salesforce Research
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 1 February 2018
- Autoři
- Stephen Merity, Nitish Shirish Keskar, James Bradbury, Richard Socher
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling
- Číselný formát
- FP32
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 135M
- Výcviková data
- 103,000,000 tokens
- Epochy
- 14
- Velikost dávky
- 8,400
Based on the details provided in the paper, the number of parameters in the QRNN model can be calculated as follows: Embedding layer size: 400 Number of QRNN layers: 4 Number of nodes per QRNN layer: 2500 Vocabulary size: 267,735 (for WikiText-103 dataset) Adaptive softmax layer Parameters: Embedding layer: 400 x 267,735 = 107,094,000 QRNN layers: Input to hidden weights per layer: 400 x 2500 = 1,000,000 Hidden to hidden weights per layer: 2500 x 2500 = 6,250,000 Biases per layer: 2500 = 2,500…
"We train with a batch size of 60 and a sequence length of 140." ""Using this approach we reduce our per-epoch time substantially and achieve a new state-of-the-art on WikiText-103 despite training for 14 epochs, a total time of only 12 hours."
60*140
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 6.9 × 10¹⁷ FLOP
- Jak bylo ustanoveno
- Operation counting,Hardware
6 FLOP / parameter / token * 135000000 parameters ['Likely' confidence] * 103000000 tokens * 14 epochs = 1.16802e+18 FLOP 31330000000000 FLOP / sec / GPU [fp16 assumed] * 1 GPU * 12 hours * 3600 sec / hour * 0.3 [assumed utilization] = 4.060368e+17 FLOP sqrt(4.060368e+17*1.16802e+18) = 6.8866472e+17 FLOP
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA V100
- Doba reálného času
- 12 hours
"The model trains at 2980 seconds per epoch on the NVIDIA V100 and 5460 seconds per epoch on the NVIDIA P100." "Using this approach we reduce our per-epoch time substantially and achieve a new state-of-the-art on WikiText-103 despite training for 14 epochs, a total time of only 12 hours."
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Unreleased
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Proč je to sledováno
- SOTA improvement
- Záznam důvěry
- Likely
- Citace
- 5
- Benchmark data
- QRNN
"we reduce our per-epoch time substantially and achieve a new state-of-the-art on WikiText-103 despite training for 14 epochs"
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Scalable Language Modeling: WikiText-103 on a Single GPU in 12 hours
- Nap poslední aktualizace
- 1 December 2025
Co čísla znamenají
Co je tento MODEL
QRNN byl zveřejněn Salesforce Research, v zemi zaznamenané jako United States of America, během February 2018. Kategorie, do které vydavatel spadá, je industry.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Trénink a původ
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 6.9 × 10¹⁷ FLOP, na hardwaru zaznamenáno jako NVIDIA V100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 103,000,000 tokeny textu
Je sledováno v základním datasetu z jednoho konkrétního důvodu: sOTA improvement.
Odpovědi
QRNN — běžné otázky
QRNN— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
QRNN— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 6.9 × 10¹⁷ FLOP, na hardwaru zaznamenáno jako NVIDIA V100. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
QRNN— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
QRNN— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
QRNN— kolik má parametrů?
Má počet parametrů 135M. Based on the details provided in the paper, the number of parameters in the QRNN model can be calculated as follows: Embedding layer size: 400 Number of QRNN layers: 4 Number of nodes per QRNN layer: 2500 Vocabulary size: 267,735 (for WikiText-103 dataset) Adaptive softmax layer Parameters: Embedding layer: 400 x 267,735 = 107,094,000 QRNN layers: Input to hidden weights per layer: 400 x 2500 = 1,000,000 Hidden to hidden weights per layer: 2500 x 2500 = 6,250,000 Biases per layer: 2500 = 2,500 Total QRNN layers parameters: 4 x (1,000,000 + 6,250,000 + 2,500) = 28,000,000 Adaptive softmax layer: No extra parameters due to weight tying Total Parameters = Embedding + QRNN layers = 107,094,000 + 28,000,000 = 135,094,000 So the total number of parameters in the QRNN model is approximately 135 million. The majority of parameters are in the embedding layer, while the 4 QRNN layers contribute 28 million parameters. The adaptive softmax does not add any extra parameters due to weight tying. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
QRNN— Kdo to vytvořil?
Bylo to publikováno společností Salesforce Research, zakládající se na United States of America, organizace zařazená jako industry.
QRNN— Kdy byl vydán?
Bylo to zveřejněno v February 2018. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.