Named Entity Recognition model
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
- Carnegie Mellon University (CMU)
- Typ organizace
- Academia
- Země
- United States of America
- Publikováno
- 4 March 2016
- Autoři
- Xuezhe Ma, Eduard Hovy
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Named entity recognition (NER), 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.
- Výcviková data
- 204,567 tokens
- Epochy
- 50
Table 2. 204567 tokens
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
- 9.7 × 10¹⁶ FLOP
- Jak bylo ustanoveno
- Hardware
8 hours of training for NER GeForce GTX TITAN X GPU 0.33 utilization rate
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA GeForce GTX TITAN X
- Používané čipy
- 1
- Čip-hodiny
- 8
- Doba reálného času
- 8 hours
- Příkon
- 290 W
"the model training requires about 12 hours for POS tagging and 8 hours for NER"
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
- Discretionary
- Záznam důvěry
- Confident
- Citace
- 3,100
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
O tomto modelu
Named Entity Recognition model byl zveřejněn Carnegie Mellon University (CMU), v zemi zaznamenané jako United States of America, během March 2016. Vydavatelská organizace je kategorizována jako academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol named entity recognition (NER), Language modeling.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Trénink a původ
Trenovací běh spotřeboval asi 9.7 × 10¹⁶ FLOP, na hardwaru zaznamenáno jako NVIDIA GeForce GTX TITAN X. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Trénink spotřeboval korpus kolem 204,567 tokeny textu
Je sledováno v základním datasetu z jednoho konkrétního důvodu: discretionary.
Odpovědi
Named Entity Recognition model — běžné otázky
Named Entity Recognition model— Kdy byl vydán?
Bylo to zveřejněno v March 2016. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Named Entity Recognition model— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol named entity recognition (NER), Language modeling. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
Named Entity Recognition model— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 9.7 × 10¹⁶ FLOP, na hardwaru zaznamenáno jako NVIDIA GeForce GTX TITAN X. 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.
Named Entity Recognition model— 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.
Named Entity Recognition model— Je to OPEN SOURCE?
Licencování nikdy nebylo zaznamenáno v našich zdrojových datech. Neuváděné licencování považujeme za uzavřené, protože nezaznamenaná licence není na kterou by se dalo spoléhat.
Named Entity Recognition model— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
Named Entity Recognition model— Kdo to vytvořil?
Bylo to publikováno společností Carnegie Mellon University (CMU), zakládající se na United States of America, organizace zařazená jako academia.
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.