Part-of-sentence tagging model
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
- Carnegie Mellon University (CMU)
- Szervezet típusa
- Academia
- Ország
- United States of America
- Közölt
- 29 May 2016
- Szerzők
- Xuehe Ma, Eduard Hovy
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Part-of-speech tagging
- Numerikus formátum
- FP32
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
- 912,344 tokens
- Epochok
- 50
Table 2
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 1.5 × 10¹⁷ FLOP
- Hogyan jött létre
- Hardware
12 hours of training for POS tagging GeForce GTX TITAN X GPU 0.33 utilization rate
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA GeForce GTX TITAN X
- Használt chipek
- 1
- Chip-óra
- 12
- Fali óra idő
- 12 hours
- Teljesítményfogyasztás
- 290 W
"the model training requires about 12 hours for POS tagging and 8 hours for NER"
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 3,193
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Mit jelent ez a modell
Part-of-sentence tagging model ki lett adva által Carnegie Mellon University (CMU), az országban rögzítve mint United States of America, alatt May 2016. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása part-of-speech tagging.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Mi került a felépítésébe
A képzés futás körülbelül 1.5 × 10¹⁷ FLOP, hardveren rögzítve NVIDIA GeForce GTX TITAN X. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A tanító készlet kb. futott 912,344 szöveg tokenjei
Válaszok
Part-of-sentence tagging model — gyakori kérdések
Part-of-sentence tagging model— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
Part-of-sentence tagging model— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
Part-of-sentence tagging model— Ki készítette ezt?
Kiadta Carnegie Mellon University (CMU), alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia.
Part-of-sentence tagging model— Mikor adták ki?
Kibocsátották a May 2016. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Part-of-sentence tagging model— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot part-of-speech tagging. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
Part-of-sentence tagging model— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.5 × 10¹⁷ FLOP, hardveren rögzítve NVIDIA GeForce GTX TITAN X. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
Part-of-sentence tagging model— 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.
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..