Dropout (TIMIT)
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
- University of Toronto
- Type d'organisation
- Academia
- Pays
- Canada
- Publié
- 3 June 2012
- Auteurs
- GE Hinton, N Srivastava, A Krizhevsky
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Speech
- Tâche
- Speech recognition (ASR)
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.
- paramètres
- 48.8M
- Données d'entraînement
- tokens
The input to the net is 21 adjacent frames with an advance of 10ms per frame. The neural net has 4 fully-connected hidden layers of 4000 units per layer and 185 “softmax” output units that are subsequently merged into the 39 distinct classes used for the benchmark.
4162 utterances, guesstimated avg 10 words per utterance
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 580
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Open (non-commercial)
http://www.cs.toronto.edu/~nitish/dropout see model files
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
- Highly cited
- Citations
- 7,999
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Improving neural networks by preventing co-adaptation of feature detectors
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Contexte
Dropout (TIMIT) a été publié par University of Toronto, dans le pays enregistré comme Canada, durant June 2012. La catégorie à laquelle appartient l'éditeur est academia.
Il fonctionne dans le domaine de Speech, et est enregistré comme exécutant la tâche de speech recognition (ASR).
Ses poids n'ont jamais été publiés, donc il ne peut être atteint que par son fournisseur. Aucun changement de carte graphique ne change cela.
Comment il a été entraîné
La raison pour laquelle il apparaît dans ce catalogue. highly cited.
Réponses
Dropout (TIMIT) — questions courantes
Dropout (TIMIT)— à quoi ça sert ?
Il fonctionne dans le domaine de Speech, et est enregistré comme gérant la tâche de speech recognition (ASR). Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
Dropout (TIMIT)— 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.
Dropout (TIMIT)— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
Dropout (TIMIT)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 48.8M. The input to the net is 21 adjacent frames with an advance of 10ms per frame. The neural net has 4 fully-connected hidden layers of 4000 units per layer and 185 “softmax” output units that are subsequently merged into the 39 distinct classes used for the benchmark. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
Dropout (TIMIT)— qui l'a créé ?
Il a été publié par University of Toronto, basé sur Canada, une organisation catégorisée comme academia.
Dropout (TIMIT)— quand a-t-il été publié ?
Il a été publié dans June 2012. 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.
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.