RankNet
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
- Microsoft Research,Microsoft
- Type d'organisation
- Industry,Industry
- Pays
- United States of America
- Publié
- 7 August 2005
- Auteurs
- Chris Burges, Tal Shaked, Erin Renshaw, Ari Lazier, Matt Deeds, Nicole Hamilton, Greg HullenderAuthors Info & Claims
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Search
- Tâche
- Search
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
- 5.7K
- Données d'entraînement
- 3,464,289 tokens
- Époques
- 22
Model is "a two layer net with 10 hidden units" Input is of size 569 "In all, we use 569 features" Parameters: 569*10 + 10 for hidden layer 10*1 + 1 for output layer
"This resulted in our training on 384,314 query/document feature vectors, and on 3,464,289 pairs."
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
- 3.5 × 10¹² FLOP
- Comment cela a été établi
- Operation counting
FLOPs per forward pass: 2*parameters = 11422 FLOPs per pair (data point): two forward passes and one backward pass ("A forward prop is performed for the first sample; each node’s activation and gradient value are stored; a forward prop is then performed for the second sample, and the activations and gradients are again stored. The gradient of the cost is then *formula*") = 2*11422 + 2*11422 = 45688 Total FLOPs = (FLOPs per pair = 45688)*(pairs = 3,464,289)*(epochs = 22) = 3.48E12
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.
- Temps en temps réel
- 6 hours
Table 6
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
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
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Learning to rank using gradient descent
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
RankNet a été publié par Microsoft Research,Microsoft, dans le pays enregistré comme United States of America, durant August 2005. La catégorie à laquelle appartient l'éditeur est industry,Industry.
Il fonctionne dans le domaine de Search, et est enregistré comme exécutant la tâche de search.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Comment il a été entraîné
L'entraînement a consommé environ 3.5 × 10¹² FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'ensemble d'entraînement a duré environ 3,464,289 jetons de texte
Son critère d'inclusion : highly cited.
Réponses
RankNet — questions courantes
RankNet— 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.
RankNet— 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.
RankNet— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 5.7K. Model is "a two layer net with 10 hidden units" Input is of size 569 "In all, we use 569 features" Parameters: 569*10 + 10 for hidden layer 10*1 + 1 for output layer. 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.
RankNet— qui l'a créé ?
Il a été publié par Microsoft Research,Microsoft, basé sur United States of America, une organisation catégorisée comme industry,Industry.
RankNet— quand a-t-il été publié ?
Il a été publié dans August 2005. 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.
RankNet— à quoi ça sert ?
Il fonctionne dans le domaine de Search, et est enregistré comme gérant la tâche de search. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
RankNet— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.5 × 10¹² FLOP. 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.
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.