TC-DNN-BLSTM-DNN
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
- 6 April 2015
- Autoři
- William Chan, Ian Lane
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Speech
- Úkol
- Speech recognition (ASR), Speech-to-text
- Přístup
- Supervised
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 18.4M
- Výcviková data
- 29,160,000 tokens
- Epochy
- 17
3*40 inputs - 2L DNN (2048) - BLSTM (128*2) - 2L DNN (2048) - 3431 outputs 3*40*2048 + 2048*2048 + 2*4*(2048+128)*128 + 256*2048 + 2048*2048 + 2048*3431=18413568
"We use si284 with approximately 81 hours of speech as the training set,"
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
- 1.9 × 10¹⁷ FLOP
- Jak bylo ustanoveno
- Hardware
"51 hours in wall clock time with a NVIDIA Tesla K20 GPU" K20 FLOPs: 3524000000000 Compute: 0.3*51*60*60*3524000000000=194101919999999970= 1.94e17
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA Tesla K20m
- Používané čipy
- 1
- Doba reálného času
- 51 hours
- Příkon
- 263 W
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
https://paperswithcode.com/sota/speech-recognition-on-wsj-eval92
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Deep Recurrent Neural Networks for Acoustic Modelling
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
O tomto modelu
TC-DNN-BLSTM-DNN byl zveřejněn Carnegie Mellon University (CMU), v zemi zaznamenané jako United States of America, během April 2015. Vychází z organizace, která je kategorizována jako academia.
funguje v oblasti Speech, a je zaznamenán jako vykonávající úkol speech recognition (ASR), Speech-to-text.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Jak bylo trénováno
Trénování si vyžádalo výpočetní rozpočet přibližně 1.9 × 10¹⁷ FLOP, na hardwaru zaznamenáno jako NVIDIA Tesla K20m. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 29,160,000 tokeny textu
Důvod, proč se to v tomto katalogu vůbec objevuje: sOTA improvement.
Odpovědi
TC-DNN-BLSTM-DNN — běžné otázky
TC-DNN-BLSTM-DNN— Kdy byl vydán?
Bylo to zveřejněno v April 2015. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
TC-DNN-BLSTM-DNN— K čemu se to používá?
funguje v oblasti Speech, a je zaznamenáno jako zpracovávající úkol speech recognition (ASR), Speech-to-text. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
TC-DNN-BLSTM-DNN— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1.9 × 10¹⁷ FLOP, na hardwaru zaznamenáno jako NVIDIA Tesla K20m. 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.
TC-DNN-BLSTM-DNN— 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.
TC-DNN-BLSTM-DNN— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
TC-DNN-BLSTM-DNN— kolik má parametrů?
Má počet parametrů 18.4M. 3*40 inputs - 2L DNN (2048) - BLSTM (128*2) - 2L DNN (2048) - 3431 outputs 3*40*2048 + 2048*2048 + 2*4*(2048+128)*128 + 256*2048 + 2048*2048 + 2048*3431=18413568. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
TC-DNN-BLSTM-DNN— 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.