Part-of-sentence tagging model
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Carnegie Mellon University (CMU)
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 29 May 2016
- Autores
- Xuehe Ma, Eduard Hovy
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Part-of-speech tagging
- Formato numérico
- FP32
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- 912,344 tokens
- Épocas
- 50
Table 2
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 1.5 × 10¹⁷ FLOP
- Cómo se estableció
- Hardware
12 hours of training for POS tagging GeForce GTX TITAN X GPU 0.33 utilization rate
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA GeForce GTX TITAN X
- Chips utilizados
- 1
- Horas de chip
- 12
- Tiempo de reloj
- 12 hours
- Consumo de energía
- 290 W
"the model training requires about 12 hours for POS tagging and 8 hours for NER"
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
- Citas
- 3,193
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
Part-of-sentence tagging model fue publicado por Carnegie Mellon University (CMU), en el país registrado como United States of America, durante May 2016. Sale de una organización categorizada como academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de part-of-speech tagging.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Qué se necesitó para construirlo
El entrenamiento consumió alrededor de 1.5 × 10¹⁷ FLOP, en hardware registrado como NVIDIA GeForce GTX TITAN X. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 912,344 tokens de texto
Respuestas
Part-of-sentence tagging model — preguntas comunes
Part-of-sentence tagging model— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
Part-of-sentence tagging model— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
Part-of-sentence tagging model— ¿Quién lo creó?
Fue publicado por Carnegie Mellon University (CMU), basado en United States of America, una organización categorizada como academia.
Part-of-sentence tagging model— ¿cuándo fue lanzado?
Se publicó en May 2016. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Part-of-sentence tagging model— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de part-of-speech tagging. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Part-of-sentence tagging model— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.5 × 10¹⁷ FLOP, en hardware registrado como NVIDIA GeForce GTX TITAN X. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
Part-of-sentence tagging model— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.