BiLSTM for Speech
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
- IDSIA,Technical University of Munich
- Type d'organisation
- Academia,Academia
- Pays
- Switzerland, Germany
- Publié
- 1 August 2005
- Auteurs
- A Graves, J Schmidhuber
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
- 152.1K
- Données d'entraînement
- tokens
"The hidden layer sizes were chosen to ensure that all networks had roughly the same number of weights W (≈100,000). However, for the MLPs the network grew with the time-window size, and W varied between 22,061 and 152,061."
https://catalog.ldc.upenn.edu/LDC93s1 One sample utterance has around 10 words 3696 utterances * 10 words = around 37k words
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
- 2.4 × 10¹³ FLOP
- Comment cela a été établi
- Third-party estimation
Extracted from AI and Compute (https://openai.com/blog/ai-and-compute/) charts by using https://automeris.io/WebPlotDigitizer/. Forward FLOP: 2*200000=400000 Trained on 4158 utterances (TIMIT) "We found that large networks, of around 200,000 weights, gave good performance" TIMIT has around 5 hours total. Estimated utterance length: 5*60*60/(4620+1680)=2.86s The frame size was 5 ms Frames per utterance: 2.86/0.005=572 Training FLOP for one epoch: 3*400000*572*4158=2854051200000 Epochs unclear, …
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.
- Confiance d'enregistrement
- Likely
- Citations
- 4,706
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Framewise phoneme classification with bidirectional LSTM and other neural network architectures
- Dernière mise à jour
- 1 January 2026
Ce que les chiffres signifient
Contexte
BiLSTM for Speech a été publié par IDSIA,Technical University of Munich, dans le pays enregistré comme Switzerland, durant August 2005. Cela provient d'une organisation classée comme academia,Academia.
Il fonctionne dans le domaine de Speech, et est enregistré comme exécutant la tâche de speech recognition (ASR).
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 2.4 × 10¹³ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
BiLSTM for Speech — questions courantes
BiLSTM for Speech— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.4 × 10¹³ 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.
BiLSTM for Speech— 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.
BiLSTM for Speech— 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.
BiLSTM for Speech— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 152.1K. "The hidden layer sizes were chosen to ensure that all networks had roughly the same number of weights W (≈100,000). However, for the MLPs the network grew with the time-window size, and W varied between 22,061 and 152,061.". 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.
BiLSTM for Speech— qui l'a créé ?
Il a été publié par IDSIA,Technical University of Munich, basé sur Switzerland, une organisation catégorisée comme academia,Academia.
BiLSTM for Speech— 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.
BiLSTM for Speech— à quoi ça sert ?
Il fonctionne dans le domaine de Speech, et est enregistré comme gérant la tâche de speech recognition (ASR). Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
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.