MLN-ASR
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
- McGill University
- Tipo de Organización
- Academia
- País
- Canada
- Publicado
- 1 August 1988
- Autores
- Renato De Mori, Yoshua Bengio, Régis Cardin
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)
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
- 10K
- Datos de entrenamiento
- 12,600 tokens
“For an MLN of about 10,000 links, the time was 115 CPU msecs for the recognition of a spoken letter and 317 msecs for the learning of a spoken letter on the SUN 4/280. A 20% reduction was obtained on the VAX 8650”
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
- 3 × 10⁸ FLOP
- Cómo se estableció
- Hardware
“For an MLN of about 10,000 links, the time was 115 CPU msecs for the recognition of a spoken letter and 317 msecs for the learning of a spoken letter on the SUN 4/280. A 20% reduction was obtained on the VAX 8650”, “Learning and recognition were performed on a VAX 8650.” Dataset: 70*10*2=1400 (Train) 10*10*2=200 (Test) “The ten words of the El set were pronounced twice by 80 speakers (40 males and 40 females)” “The data from 70 speakers were used as a training set while the data from the remain…
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Tiempo de reloj
- 0 hours
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
- Historical significance
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Data-Driven Execution of Multi-Layered Networks for Automatic Speech Recognition
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
MLN-ASR fue publicado por McGill University, en el país registrado como Canada, durante August 1988. La organización editora está clasificada como academia.
Funciona en el dominio de Speech, y se registra como realizando la tarea de speech recognition (ASR).
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 3 × 10⁸ FLOP. 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 12,600 tokens de texto
La razón por la que aparece en este catálogo en absoluto: historical significance.
Respuestas
MLN-ASR — preguntas comunes
MLN-ASR— ¿Quién lo creó?
Fue publicado por McGill University, basado en Canada, una organización categorizada como academia.
MLN-ASR— ¿cuándo fue lanzado?
Se publicó en August 1988. 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.
MLN-ASR— ¿Para qué se utiliza?
Funciona en el dominio de Speech, y se registra como manejando la tarea de speech recognition (ASR). Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
MLN-ASR— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3 × 10⁸ FLOP. 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.
MLN-ASR— ¿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.
MLN-ASR— ¿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.
MLN-ASR— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 10K. “For an MLN of about 10,000 links, the time was 115 CPU msecs for the recognition of a spoken letter and 317 msecs for the learning of a spoken letter on the SUN 4/280. A 20% reduction was obtained on the VAX 8650”. 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.
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.