Conformer + Wav2vec 2.0 + Noisy Student
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
- Google,Google Research,Google Brain
- Typ organizace
- Industry,Industry,Industry
- Země
- United States of America
- Publikováno
- 20 October 2020
- Autoři
- Yu Zhang, James Qin, Daniel S. Park, Wei Han, Chung-Cheng Chiu, Ruoming Pang, Quoc V. Le, Yonghui Wu
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Speech
- Úkol
- Speech recognition (ASR)
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 1B
- Výcviková data
- tokens
1B for XXL model
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
- 7.6 × 10²¹ FLOP
- Jak bylo ustanoveno
- Hardware
"We train with global batch size 2048 on 256/512 Google TPU V3 cores for 3-4 days for the XL/XXL models respectively... We fine-tune the pre-trained checkpoints (400k steps) with global batch size 1024/512 on 256/512 Google TPU v3 cores for 1-3 days for the XL/XXL models" TPU v3 chips are 123 teraflop/s. 2 chips per core 512 cores * 7 days * 24 * 3600 * 123 tflops * (1 chip/2 cores) * 0.4 (assumed utilization) = 7.6e21
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- Google TPU v3
- Používané čipy
- 256
- Doba reálného času
- 168 hours (7 days)
- Příkon
- 234.3 kW
- Náklady na výpočet
- $9,450
7 days
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
- Confident
- Citace
- 332
"By doing so, we are able to achieve word-error-rates (WERs) 1.4%/2.6% on the LibriSpeech test/test-other sets against the current state-of-the-art WERs 1.7%/3.3%."
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Pushing the Limits of Semi-Supervised Learning for Automatic Speech Recognition
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Odkud to přišlo
Conformer + Wav2vec 2.0 + Noisy Student byl zveřejněn Google,Google Research,Google Brain, v zemi zaznamenané jako United States of America, během October 2020. Vydavatelská organizace je kategorizována jako industry,Industry,Industry.
funguje v oblasti Speech, a je zaznamenán jako vykonávající úkol speech recognition (ASR).
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Trénink a původ
Trenovací běh spotřeboval asi 7.6 × 10²¹ FLOP, na hardwaru zaznamenáno jako Google TPU v3. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Důvod, proč se to v tomto katalogu vůbec objevuje: sOTA improvement.
Odpovědi
Conformer + Wav2vec 2.0 + Noisy Student — běžné otázky
Conformer + Wav2vec 2.0 + Noisy Student— K čemu se to používá?
funguje v oblasti Speech, a je zaznamenáno jako zpracovávající úkol speech recognition (ASR). Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
Conformer + Wav2vec 2.0 + Noisy Student— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 7.6 × 10²¹ FLOP, na hardwaru zaznamenáno jako Google TPU v3. 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.
Conformer + Wav2vec 2.0 + Noisy Student— 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.
Conformer + Wav2vec 2.0 + Noisy Student— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Conformer + Wav2vec 2.0 + Noisy Student— kolik má parametrů?
Má počet parametrů 1B. 1B for XXL model. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Conformer + Wav2vec 2.0 + Noisy Student— Kdo to vytvořil?
Bylo to publikováno společností Google,Google Research,Google Brain, zakládající se na United States of America, organizace zařazená jako industry,Industry,Industry.
Conformer + Wav2vec 2.0 + Noisy Student— Kdy byl vydán?
Bylo to zveřejněno v October 2020. 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.