RNN-WER
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
- DeepMind,University of Toronto
- Typ organizace
- Industry,Academia
- Země
- United Kingdom of Great Britain and Northern Ireland, Canada
- Publikováno
- 22 June 2014
- Autoři
- Alex Graves, Navdeep Jaitly
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Speech
- Úkol
- Speech recognition (ASR)
- 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
- 26.5M
- Výcviková data
- tokens
"The network had five levels of bidirectional LSTM hidden layers, with 500 cells in each layer, giving a total of ∼ 26.5M weights."
dataset is 81 hours At 228 wpm (https://docs.google.com/document/d/1G3vvQkn4x_W71MKg0GmHVtzfd9m0y3_Ofcoew0v902Q/edit) that's 81*228*60 = 1,108,080 another source says WSJ contains 37k sentences, so this would be ~30 words per sentence which seems high but roughly right: https://www.arxiv-vanity.com/papers/1903.00216/
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
- Highly cited,SOTA improvement
- Záznam důvěry
- Likely
- Citace
- 2,805
"Finally, by combining the new model with a baseline, we have achieved state-of-the-art accuracy on the Wall Street Journal corpus for speaker independent recognition."
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Towards End-To-End Speech Recognition with Recurrent Neural Networks
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
O tomto modelu
RNN-WER byl zveřejněn DeepMind,University of Toronto, v zemi zaznamenané jako United Kingdom of Great Britain and Northern Ireland, během June 2014. Kategorie, do které vydavatel spadá, je industry,Academia.
funguje v oblasti Speech, a je zaznamenán jako vykonávající úkol speech recognition (ASR).
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Trénink a původ
Důvod, proč se to v tomto katalogu vůbec objevuje: highly cited,SOTA improvement.
Odpovědi
RNN-WER — běžné otázky
RNN-WER— 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.
RNN-WER— 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.
RNN-WER— 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.
RNN-WER— kolik má parametrů?
Má počet parametrů 26.5M. "The network had five levels of bidirectional LSTM hidden layers, with 500 cells in each layer, giving a total of ∼ 26.5M weights.". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
RNN-WER— Kdo to vytvořil?
Bylo to publikováno společností DeepMind,University of Toronto, zakládající se na United Kingdom of Great Britain and Northern Ireland, organizace zařazená jako industry,Academia.
RNN-WER— Kdy byl vydán?
Bylo to zveřejněno v June 2014. 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.