Named Entity Recognition model
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Carnegie Mellon University (CMU)
- Type d'organisation
- Academia
- Pays
- United States of America
- Publié
- 4 March 2016
- Auteurs
- Xuezhe Ma, Eduard Hovy
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language
- Tâche
- Named entity recognition (NER), Language modeling
- Format numérique
- FP32
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- Données d'entraînement
- 204,567 tokens
- Époques
- 50
Table 2. 204567 tokens
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 9.7 × 10¹⁶ FLOP
- Comment cela a été établi
- Hardware
8 hours of training for NER GeForce GTX TITAN X GPU 0.33 utilization rate
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA GeForce GTX TITAN X
- Chips utilisés
- 1
- Heures de puce
- 8
- Temps en temps réel
- 8 hours
- Consommation d'énergie
- 290 W
"the model training requires about 12 hours for POS tagging and 8 hours for NER"
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Pourquoi c'est suivi
- Discretionary
- Confiance d'enregistrement
- Confident
- Citations
- 3,100
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
Named Entity Recognition model a été publié par Carnegie Mellon University (CMU), dans le pays enregistré comme United States of America, durant March 2016. L'organisation de publication est catégorisée comme academia.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de named entity recognition (NER), Language modeling.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Entraînement et provenance
L'entraînement a consommé environ 9.7 × 10¹⁶ FLOP, sur matériel enregistré comme NVIDIA GeForce GTX TITAN X. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'entraînement a consommé un corpus d'environ 204,567 jetons de texte
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : discretionary.
Réponses
Named Entity Recognition model — questions courantes
Named Entity Recognition model— quand a-t-il été publié ?
Il a été publié dans March 2016. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
Named Entity Recognition model— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de named entity recognition (NER), Language modeling. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
Named Entity Recognition model— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 9.7 × 10¹⁶ FLOP, sur matériel enregistré comme NVIDIA GeForce GTX TITAN X. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
Named Entity Recognition model— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
Named Entity Recognition model— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
Named Entity Recognition model— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
Named Entity Recognition model— qui l'a créé ?
Il a été publié par Carnegie Mellon University (CMU), basé sur United States of America, une organisation catégorisée comme academia.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.