ReLU-Speech
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Google,University of Toronto,New York University (NYU)
- Organisationsart
- Industry,Academia,Academia
- Land
- United States of America, Canada
- Veröffentlicht
- 26 May 2013
- Autoren
- Matthew D. Zeiler, Marc'Aurelio Ranzato, R. Monga, Mark Z. Mao, K. Yang, Quoc V. Le, Patrick Nguyen, A. Senior, Vincent Vanhoucke, J. Dean, Geoffrey E. Hinton
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Speech
- Aufgabe
- Speech recognition (ASR)
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Parameter
- 101.7M
- Trainingsdaten
- tokens
"The overall input dimensionality is 1040," "All layers of our networks have 2560 hidden units " "used to generate 7969 context-dependent tied acoustic states" Largest model: 12 hidden layers (Fig 4) Parameters: 1040*2560+12*2560*2560+2560*7969=101706240
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 1.3 × 10¹⁷ FLOP
- Wie es etabliert wurde
- Hardware
"across 4 machines using up to 4 CPUs each" CPU model not specified, I assumed a Sandy Bridge with 16 FLOP/cycle and 3.3GhZ based on the publication year (4*16*3300000000=211200000000 FLOP/s per machine) Compute: 4*211200000000*168*60*60*0.3 = 1.53e17 Alternatively, the training set is "several hundred hours of speech", with inputs consisting of 26 frames, each frame is 10ms apart. If we assume 400h of training data, 400h/10ms/26= 5,538,461 inputs 6 * 101706240 * 5,538,461 = 3.38e15 FLOPs per e…
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Wand-Uhrzeit
- 168 hours (7 days)
"The results we report are obtained by training for one week."
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Warum es verfolgt wird
- Training cost,SOTA improvement
- Aufzeichnungsgenauigkeit
- Likely
I don't see any standard benchmarks that they used for evaluations
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- On rectified linear units for speech processing
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Über dieses Modell
ReLU-Speech wurde veröffentlicht von Google,University of Toronto,New York University (NYU), im Land aufgezeichnet als United States of America, während May 2013. Die veröffentlichende Organisation ist als industry,Academia,Academia.
Es funktioniert im Bereich von Speech, und wird als die Aufgabe von aufgezeichnet speech recognition (ASR).
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Was in den Aufbau geflossen ist
Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 1.3 × 10¹⁷ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Es wird aus einem bestimmten Grund im zugrunde liegenden Datensatz verfolgt: training cost,SOTA improvement.
Antworten
ReLU-Speech — Häufige Fragen
ReLU-Speech— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 101.7M. "The overall input dimensionality is 1040," "All layers of our networks have 2560 hidden units " "used to generate 7969 context-dependent tied acoustic states" Largest model: 12 hidden layers (Fig 4) Parameters: 1040*2560+12*2560*2560+2560*7969=101706240. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
ReLU-Speech— Wer hat es erstellt?
Es wurde veröffentlicht von Google,University of Toronto,New York University (NYU), basiert auf United States of America, eine als kategorisierte Organisation industry,Academia,Academia.
ReLU-Speech— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in May 2013. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
ReLU-Speech— Wofür wird es verwendet?
Es funktioniert im Bereich von Speech, und wird als Bewältigung der Aufgabe von speech recognition (ASR). Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
ReLU-Speech— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 1.3 × 10¹⁷ FLOP. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
ReLU-Speech— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
ReLU-Speech— Ist es Open-Source?
Die Lizenzierung wurde nie in unseren Quelldaten aufgezeichnet. Wir behandeln nicht angegebene Lizenzen als geschlossen, da eine nicht aufgezeichnete Lizenz keine ist, auf die man sich verlassen kann.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.