TC-DNN-BLSTM-DNN
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
- 6 April 2015
- Autores
- William Chan, Ian Lane
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Speech
- Tarea
- Speech recognition (ASR), Speech-to-text
- Enfoque
- Supervised
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.
- parámetros
- 18.4M
- Datos de entrenamiento
- 29,160,000 tokens
- Épocas
- 17
3*40 inputs - 2L DNN (2048) - BLSTM (128*2) - 2L DNN (2048) - 3431 outputs 3*40*2048 + 2048*2048 + 2*4*(2048+128)*128 + 256*2048 + 2048*2048 + 2048*3431=18413568
"We use si284 with approximately 81 hours of speech as the training set,"
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
- 1.9 × 10¹⁷ FLOP
- Cómo se estableció
- Hardware
"51 hours in wall clock time with a NVIDIA Tesla K20 GPU" K20 FLOPs: 3524000000000 Compute: 0.3*51*60*60*3524000000000=194101919999999970= 1.94e17
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 Tesla K20m
- Chips utilizados
- 1
- Tiempo de reloj
- 51 hours
- Consumo de energía
- 263 W
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Confident
https://paperswithcode.com/sota/speech-recognition-on-wsj-eval92
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Deep Recurrent Neural Networks for Acoustic Modelling
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
TC-DNN-BLSTM-DNN fue publicado por Carnegie Mellon University (CMU), en el país registrado como United States of America, durante April 2015. Sale de una organización categorizada como academia.
Funciona en el dominio de Speech, y se registra como realizando la tarea de speech recognition (ASR), Speech-to-text.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
Entrenarlo tomó un presupuesto de computación de aproximadamente 1.9 × 10¹⁷ FLOP, en hardware registrado como NVIDIA Tesla K20m. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 29,160,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
TC-DNN-BLSTM-DNN — preguntas comunes
TC-DNN-BLSTM-DNN— ¿cuándo fue lanzado?
Se publicó en April 2015. 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.
TC-DNN-BLSTM-DNN— ¿Para qué se utiliza?
Funciona en el dominio de Speech, y se registra como manejando la tarea de speech recognition (ASR), Speech-to-text. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
TC-DNN-BLSTM-DNN— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.9 × 10¹⁷ FLOP, en hardware registrado como NVIDIA Tesla K20m. 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.
TC-DNN-BLSTM-DNN— ¿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.
TC-DNN-BLSTM-DNN— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
TC-DNN-BLSTM-DNN— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 18.4M. 3*40 inputs - 2L DNN (2048) - BLSTM (128*2) - 2L DNN (2048) - 3431 outputs 3*40*2048 + 2048*2048 + 2*4*(2048+128)*128 + 256*2048 + 2048*2048 + 2048*3431=18413568. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
TC-DNN-BLSTM-DNN— ¿Quién lo creó?
Fue publicado por Carnegie Mellon University (CMU), basado en United States of America, una organización categorizada como academia.
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.