Segmental RNN
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- University of Edinburgh,Carnegie Mellon University (CMU),University of Washington
- Szervezet típusa
- Academia,Academia,Academia
- Ország
- United Kingdom of Great Britain and Northern Ireland, United States of America
- Közölt
- 20 June 2016
- Szerzők
- Liang Lu, Lingpeng Kong, Chris Dyer, Noah A. Smith, Steve Renals
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Speech
- Feladat
- Speech recognition (ASR)
- Megközelítés
- Supervised
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Képzési adatok
- tokens
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Closed — provider access only
- Modell hozzáférés
- Unreleased
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- SOTA improvement
- Nyilvántartási bizalom
- Unknown
https://paperswithcode.com/sota/speech-recognition-on-timit
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Segmental Recurrent Neural Networks for End-to-end Speech Recognition
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Honnan jött
Segmental RNN ki lett adva által University of Edinburgh,Carnegie Mellon University (CMU),University of Washington, az országban rögzítve mint United Kingdom of Great Britain and Northern Ireland, alatt June 2016. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Academia,Academia.
Működik a területen a Speech, és úgy van rögzítve, mint a feladat végrehajtása speech recognition (ASR).
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Képzés és származás
Egy különös okból nyomon követik az alapul szolgáló adatbázisban: sOTA improvement.
Válaszok
Segmental RNN — gyakori kérdések
Segmental RNN— Ki készítette ezt?
Kiadta University of Edinburgh,Carnegie Mellon University (CMU),University of Washington, alapján United Kingdom of Great Britain and Northern Ireland, egy szervezet, amelyet kategorizáltak mint academia,Academia,Academia.
Segmental RNN— Mikor adták ki?
Kibocsátották a June 2016. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Segmental RNN— Mire használják?
Működik a területen a Speech, és rögzítve van, hogy kezeli a feladatot speech recognition (ASR). A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
Segmental RNN— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
Segmental RNN— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
Segmental RNN— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..