BP-DBN
Žádný odhad
Žádné hardwareové požadavky na tento model
Hmotnosti tohoto modelu nebyly publikovány, takže jej nelze stáhnout ani spustit na vlastním hardwaru v jakékoli velikosti. Je dostupný pouze prostřednictvím svého poskytovatele a žádná grafická karta to nezmění..
Záznam.
Plná specifikace
Všechno zaznamenané k tomuto modelu. Většina z toho popisuje, jak byl trénován, nikoli jak běží — užitečný kontext pro posouzení, kolik práce do něj bylo vloženo, a jak se srovnává s modely postavenými na jinou škálu.
Původ
Kdo vybudoval tento model, kde a kdy byl publikován.
- Organizace
- University of Toronto
- Typ organizace
- Academia
- Země
- Canada
- Publikováno
- 1 January 2009
- Autoři
- Abdel-rahman Mohamed, George Dahl, and Geoffrey Hinton
Co to dělá
Problémové oblasti, pro které byl model vyvinut. Model může obsahovat několik z každého.
- Doména
- Speech
- Úkol
- Speech recognition (ASR)
- Přístup
- Supervised
Velikost
Jak velký je model a na kolik dat byl vytrénován. Parametry jsou číslo, které rozhoduje o tom, zda se vejde na danou grafickou kartu.
- Parametry
- 18M
- Tréninková data
- tokens
429*2048+2048*2048*4+2048*183=18030592 Table 2: largest model has 5 layers of 2048 into 183 softmax, 429 input
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to bralo ze zásuvky.
- Tréninkové hardwarové zařízení
- NVIDIA Tesla S1070
- Použité čipy
- 1
- Příkon
- 984 W
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se na tuto stránku vztahují jakákoliv čísla grafických karet.
- Váhy
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Unreleased
Jak je klasifikováno
Labely, které se na zdrojovém datovém souboru používají při sledování významných modelů, a jak moc si je jistý touto položkou.
- Proč je to sledováno
- Historical significance,SOTA improvement
- Záznam důvěry
- Confident
"On the standard TIMIT corpus, DBNs consistently outperform other techniques and the best DBN achieves a phone error rate (PER) of 23.0% on the TIMIT core test set."
Zdroje
Odkud tento záznam pochází a kdy byl naposled zkontrolován.
- Odkaz
- Deep Belief Networks for phone recognition
- Naposledy aktualizováno
- 28 November 2025
Co čísla znamenají
O tomto modelu
BP-DBN was published by University of Toronto, in Canada, in January 2009. academia is the category the publisher falls under.
It works in Speech, and is recorded as doing speech recognition (ASR).
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Trénink a původ
It is tracked in the underlying dataset for one reason in particular: historical significance,SOTA improvement.
Odpovědi
BP-DBN — Časté dotazy
Who created BP-DBN?
BP-DBN was published by University of Toronto, based in Canada, categorised as academia.
Kdy byl BP-DBN uvolněn?
BP-DBN was published in January 2009. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is BP-DBN used for?
BP-DBN works in Speech, and is recorded as handling speech recognition (ASR). These are the areas it was designed around; they describe intent rather than a hard boundary.
What GPU do I need to run BP-DBN?
None. BP-DBN is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is BP-DBN open source?
No. BP-DBN has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does BP-DBN have?
BP-DBN has 18M parameters. 429*2048+2048*2048*4+2048*183=18030592 Table 2: largest model has 5 layers of 2048 into 183 softmax, 429 input. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Druhý směr
Když se na to podíváte z druhé strany?
Tato stránka začíná modelem. Pokud již vlastníte kartu a chcete vědět, co vše bude schopna spustit, Začněte raději od hardwaru.