Transformer + Simple Recurrent Unit
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- ASAPP,Cornell University,Google,Princeton University
- Organisatietype
- Industry,Academia,Industry,Academia
- Land
- United States of America
- Gepubliceerd
- 17 September 2018
- Auteurs
- Tao Lei, Yu Zhang, Sida I. Wang, Hui Dai, Yoav Artzi
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Translation
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 90M
- Training gegevens
- 112,500,000 tokens
- Epochs
- 40
5-layer model, Table 3
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 1.1 × 10¹⁹ FLOP
- Hoe het werd opgericht
- Hardware
"We use a single NVIDIA Tesla V100 GPU for each model. The published results were obtained using 8 GPUs in parallel, which provide a large effective batch size during training. To approximate the setup, we update the model parameters every 5×5120 tokens and use 16,000 warm-up steps following OpenNMT suggestions. We train each model for 40 epochs (250,000 steps), and perform 3 independent trials for each model configuration. A single run takes about 3.5 days with a Tesla V100 GPU." 125 trillion …
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA V100
- Gebruikte chips
- 8
- Stroomverbruik
- 5.0 kW
- Rekenkosten
- $45
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Toegang tot model
- Unreleased
- Training code
- Unreleased
repo, but no training code for translation: https://github.com/taolei87/sru
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Confident
- Citaties
- 306
"We use the state-of-the-art Transformer model of Vaswani et al. (2017) as our base architecture... When SRU is incorporated into the architecture, both the 4-layer and 5-layer model outperform the Transformer base model"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Simple Recurrent Units for Highly Parallelizable Recurrence
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Waar het vandaan kwam
Transformer + Simple Recurrent Unit werd gepubliceerd door ASAPP,Cornell University,Google,Princeton University, in het land geregistreerd als United States of America, tijdens September 2018. De categorie waaronder de uitgever valt is industry,Academia,Industry,Academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van translation.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Wat erin ging zitten om het te bouwen
Training kostte een rekensbudget van ongeveer 1.1 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA V100. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het is getraind op een corpus van ongeveer 112,500,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: sOTA improvement.
Antwoorden
Transformer + Simple Recurrent Unit — veelgestelde vragen
Transformer + Simple Recurrent Unit— hoeveel parameters heeft het?
Het heeft een parameter telling van 90M. 5-layer model, Table 3. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
Transformer + Simple Recurrent Unit— wie heeft het gemaakt?
Het werd gepubliceerd door ASAPP,Cornell University,Google,Princeton University, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia,Industry,Academia.
Transformer + Simple Recurrent Unit— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2018. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Transformer + Simple Recurrent Unit— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van translation. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
Transformer + Simple Recurrent Unit— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.1 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA V100. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
Transformer + Simple Recurrent Unit— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
Transformer + Simple Recurrent Unit— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.