RankNet
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
- Microsoft Research,Microsoft
- Typ organizace
- Industry,Industry
- Země
- United States of America
- Publikováno
- 7 August 2005
- Autoři
- Chris Burges, Tal Shaked, Erin Renshaw, Ari Lazier, Matt Deeds, Nicole Hamilton, Greg HullenderAuthors Info & Claims
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Search
- Úkol
- Search
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 5.7K
- Výcviková data
- 3,464,289 tokens
- Epochy
- 22
Model is "a two layer net with 10 hidden units" Input is of size 569 "In all, we use 569 features" Parameters: 569*10 + 10 for hidden layer 10*1 + 1 for output layer
"This resulted in our training on 384,314 query/document feature vectors, and on 3,464,289 pairs."
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
- 3.5 × 10¹² FLOP
- Jak bylo ustanoveno
- Operation counting
FLOPs per forward pass: 2*parameters = 11422 FLOPs per pair (data point): two forward passes and one backward pass ("A forward prop is performed for the first sample; each node’s activation and gradient value are stored; a forward prop is then performed for the second sample, and the activations and gradients are again stored. The gradient of the cost is then *formula*") = 2*11422 + 2*11422 = 45688 Total FLOPs = (FLOPs per pair = 45688)*(pairs = 3,464,289)*(epochs = 22) = 3.48E12
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Doba reálného času
- 6 hours
Table 6
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
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
- Záznam důvěry
- Confident
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Learning to rank using gradient descent
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Pozadí
RankNet byl zveřejněn Microsoft Research,Microsoft, v zemi zaznamenané jako United States of America, během August 2005. Kategorie, do které vydavatel spadá, je industry,Industry.
funguje v oblasti Search, a je zaznamenán jako vykonávající úkol search.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Jak bylo trénováno
Trenovací běh spotřeboval asi 3.5 × 10¹² FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Tréninková sada běžela na přibližně 3,464,289 tokeny textu
Jeho kritérium zahrnutí: highly cited.
Odpovědi
RankNet — běžné otázky
RankNet— 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.
RankNet— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
RankNet— kolik má parametrů?
Má počet parametrů 5.7K. Model is "a two layer net with 10 hidden units" Input is of size 569 "In all, we use 569 features" Parameters: 569*10 + 10 for hidden layer 10*1 + 1 for output layer. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
RankNet— Kdo to vytvořil?
Bylo to publikováno společností Microsoft Research,Microsoft, zakládající se na United States of America, organizace zařazená jako industry,Industry.
RankNet— Kdy byl vydán?
Bylo to zveřejněno v August 2005. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
RankNet— K čemu se to používá?
funguje v oblasti Search, a je zaznamenáno jako zpracovávající úkol search. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
RankNet— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 3.5 × 10¹² FLOP. 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.
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.