4 layer QRNN (h=2500)
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Salesforce Research
- Organisationsart
- Industry
- Land
- United States of America
- Veröffentlicht
- 22 March 2018
- Autoren
- Stephen Merity, Nitish Shirish Keskar, Richard Socher
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Language
- Aufgabe
- Language modeling
- Numerisches Format
- FP32
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Parameter
- 151M
- Trainingsdaten
- 103,000,000 tokens
- Epochen
- 14
Table 6
"The model was trained for 12 hours (14 epochs)"
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 5.9 × 10¹⁷ FLOP
- Wie es etabliert wurde
- Hardware,Operation counting
20670000000000 FLOP / sec / GPU [fp16 assumed] * 1 GPU * 12 hours * 3600 sec / hour * 0.3 [assumed utilization] = 2.678832e+17FLOP 6 FLOP / token / parameter * 151000000 parameters * 103000000 tokens * 14 epochs = 1.306452e+18 FLOP sqrt(2.678832e+17*1.306452e+18) = 5.9158815e+17 FLOP __________________ in the algorithmic progress paper the estimation was 2.4 × 10^17 FLOP under assumption of 26M parameters
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Trainingshardware
- NVIDIA Quadro GP100
- Verwendete Chips
- 1
- Chip-Stunden
- 12
- Wand-Uhrzeit
- 12 hours
- Stromverbrauch
- 268 W
"Results are obtained in only 12 hours (WikiText-103) to 2 days (enwik8) using a single modern GPU"
Verfügbarkeit
Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.
- Gewichte
- Closed — provider access only
- Modellzugang
- Unreleased
- Training-Code
- Open source
BSD-3 license: https://github.com/salesforce/awd-lstm-lm
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Warum es verfolgt wird
- SOTA improvement
- Aufzeichnungsgenauigkeit
- Likely
- Zitationen
- 183
- Benchmark-Daten
- 4 layer QRNN (h=2500)
"QRNNs achieve stateof-the-art results on character-level (Penn Treebank, enwik8) and word-level (WikiText-103) datasets, respectively"
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- An Analysis of Neural Language Modeling at Multiple Scales
- Zuletzt aktualisiert
- 11 February 2026
Was die Zahlen bedeuten
Was dieses Modell ist
4 layer QRNN (h=2500) wurde veröffentlicht von Salesforce Research, im Land aufgezeichnet als United States of America, während March 2018. Die veröffentlichende Organisation ist als industry.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling.
Seine Gewichte wurden niemals veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarten ändern das.
Wie es trainiert wurde
Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 5.9 × 10¹⁷ FLOP, auf Hardware erfasst als NVIDIA Quadro GP100. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Der Trainingssatz lief auf etwa 103,000,000 Text-Tokens
Es wird aus einem bestimmten Grund im zugrunde liegenden Datensatz verfolgt: sOTA improvement.
Antworten
4 layer QRNN (h=2500) — Häufige Fragen
4 layer QRNN (h=2500)— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling. Ein Modell kann mehrere von jedem tragen, daher sind dies die Bereiche, für die es gebaut wurde, anstatt eine Begrenzung dafür, was es versuchen wird.
4 layer QRNN (h=2500)— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 5.9 × 10¹⁷ FLOP, auf Hardware erfasst als NVIDIA Quadro GP100. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
4 layer QRNN (h=2500)— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
4 layer QRNN (h=2500)— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
4 layer QRNN (h=2500)— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 151M. Table 6. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
4 layer QRNN (h=2500)— Wer hat es erstellt?
Es wurde veröffentlicht von Salesforce Research, basiert auf United States of America, eine als kategorisierte Organisation industry.
4 layer QRNN (h=2500)— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in March 2018. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.