QRNN
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
- Salesforce Research
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 1 February 2018
- Auteurs
- Stephen Merity, Nitish Shirish Keskar, James Bradbury, Richard Socher
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
- Numerieke indeling
- FP32
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
- 135M
- Training gegevens
- 103,000,000 tokens
- Epochs
- 14
- Batchgrootte
- 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
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
- 6.9 × 10¹⁷ FLOP
- Hoe het werd opgericht
- 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
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
- Kloktijd
- 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."
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
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
- Likely
- Citaties
- 5
- Benchmarkgegevens
- QRNN
"we reduce our per-epoch time substantially and achieve a new state-of-the-art on WikiText-103 despite training for 14 epochs"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Scalable Language Modeling: WikiText-103 on a Single GPU in 12 hours
- Laatst bijgewerkt
- 1 December 2025
Wat de cijfers betekenen
Wat dit model is
QRNN werd gepubliceerd door Salesforce Research, in het land geregistreerd als United States of America, tijdens February 2018. De categorie waaronder de uitgever valt is industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Training en herkomst
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 6.9 × 10¹⁷ 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 103,000,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: sOTA improvement.
Antwoorden
QRNN — veelgestelde vragen
QRNN— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
QRNN— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 6.9 × 10¹⁷ 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.
QRNN— 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.
QRNN— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
QRNN— hoeveel parameters heeft het?
Het heeft een parameter telling van 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. 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.
QRNN— wie heeft het gemaakt?
Het werd gepubliceerd door Salesforce Research, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
QRNN— wanneer is het uitgebracht?
Het werd gepubliceerd in February 2018. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
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.