RankNet
Χωρίς εκτίμηση
Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο
Τα βάρη αυτού του μοντέλου δεν έχουν δημοσιευθεί, επομένως δεν μπορεί να κατεβεί ή να τρέξει σε δικό σας υλικό οποιουδήποτε μεγέθους. Είναι προσβάσιμο μόνο μέσω του παρόχου του και καμία κάρτα γραφικών δεν το αλλάζει αυτό.
Σε εγγραφή
Πλήρης προδιαγραφή
Όλα τα δεδομένα σχετικά με αυτό το μοντέλο. Τα περισσότερα περιγράφουν πώς εκπαιδεύτηκε παρά πώς τρέχει — χρήσιμο πλαίσιο για την αξιολόγηση του πόσο δουλειά απαιτήθηκε και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα.
Προέλευση
Ποιος δημιούργησε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε;
- Οργάνωση
- Microsoft Research,Microsoft
- Τύπος οργάνωσης
- Industry,Industry
- Χώρα
- United States of America
- Δημοσιευμένο
- 7 August 2005
- Συγγραφείς
- Chris Burges, Tal Shaked, Erin Renshaw, Ari Lazier, Matt Deeds, Nicole Hamilton, Greg HullenderAuthors Info & Claims
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες κατασκευάστηκε το μοντέλο. Ένα μοντέλο μπορεί να περιέχει αρκετές από κάθε μία.
- Τομέας
- Search
- Εντολή
- Search
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα εκπαιδεύτηκε. Οι παράμετροι είναι το νούμερο που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.
- Παραμέτροι
- 5.7K
- Δεδομένα εκπαίδευσης
- 3,464,289 tokens
- Εποχές
- 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."
Υπολογιστική εκπαίδευση
Η αριθμητική που εκτελείται για την εκπαίδευση του μοντέλου, μετρημένη σε αριθμητικές πράξεις κινητής υποδιαστολής. Είναι ένα μέτρο του κόστους της εκπαίδευσης, όχι πόσο γρήγορα απαντά το ολοκληρωμένο μοντέλο.
- Υπολογιστική εκπαίδευση
- 3.5 × 10¹² FLOP
- Πώς ιδρύθηκε
- 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
Η εκπαίδευση
Τι χρειάστηκε φυσικά για να εκπαιδεύσουμε: ποια τσιπ, πόσα, για πόσο καιρό, και τι αυτό τραβούσε από τον τοίχο.
- Χρόνος τοίχου
- 6 hours
Table 6
Διαθεσιμότητα
Εάν μπορείτε να αποκτήσετε το μοντέλο και να το εκτελέσετε στον δικό σας εξοπλισμό, κάτι που αποφασίζει αν κάποια από τα στοιχεία της κάρτας γραφικών σε αυτή τη σελίδα εφαρμόζονται.
- Βάρη
- Closed — provider access only
- Πρόσβαση μοντέλου
- Unreleased
Πώς ταξινομείται
Ετικέτες που εφαρμόζει το πηγαίο σύνολο δεδομένων κατά την παρακολούθηση σημαντικών μοντέλων, και πόσο σίγουρο είναι για την είσοδο.
- Γιατί παρακολουθείται
- Highly cited
- Καταγραφή εμπιστοσύνης
- Confident
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία.
- Αναφορά
- Learning to rank using gradient descent
- Τελευταία ενημέρωση
- 28 November 2025
Τι σημαίνουν οι αριθμοί
Ιστορικό
RankNet was published by Microsoft Research,Microsoft, in United States of America, in August 2005. industry,Industry is the category the publisher falls under.
It works in Search, and is recorded as doing search.
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Πώς εκπαιδεύτηκε
The training run consumed about 3.5 × 10¹² FLOP. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
The training set ran to roughly 3,464,289 tokens.
Its inclusion criterion is highly cited.
Απαντήσεις
RankNet — Συχνές ερωτήσεις
What GPU do I need to run RankNet?
None. RankNet 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 RankNet open source?
No. RankNet has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does RankNet have?
RankNet has 5.7K parameters. 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. 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.
Who created RankNet?
RankNet was published by Microsoft Research,Microsoft, based in United States of America, categorised as industry,Industry.
When was RankNet released?
RankNet was published in August 2005. 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 RankNet used for?
RankNet works in Search, and is recorded as handling search. These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train RankNet?
Around 3.5 × 10¹² FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
Η άλλη κατεύθυνση
Βλέποντάς το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινάει από το μοντέλο. Αν ήδη διαθέτετε μια κάρτα και θέλετε να γνωρίζετε όλα όσα θα τρέξει, Ξεκινήστε από το υλικό αντί..