Named Entity Recognition 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
- 4 March 2016
- Szerzők
- Xuezhe Ma, Eduard Hovy
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Named entity recognition (NER), Language modeling
- 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
- 204,567 tokens
- Epochok
- 50
Table 2. 204567 tokens
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
- 9.7 × 10¹⁶ FLOP
- Hogyan jött létre
- Hardware
8 hours of training for NER 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
- 8
- Fali óra idő
- 8 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.
- Miért követik nyomon
- Discretionary
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 3,100
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
Erről a modelről
Named Entity Recognition model ki lett adva által Carnegie Mellon University (CMU), az országban rögzítve mint United States of America, alatt March 2016. A kiadó szervezet a következő kategóriába tartozik academia.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása named entity recognition (NER), Language modeling.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Képzés és származás
A képzés futás körülbelül 9.7 × 10¹⁶ 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 képzés körülbelül egy korpuszt fogyasztott 204,567 szöveg tokenjei
Egy különös okból nyomon követik az alapul szolgáló adatbázisban: discretionary.
Válaszok
Named Entity Recognition model — gyakori kérdések
Named Entity Recognition model— Mikor adták ki?
Kibocsátották a March 2016. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Named Entity Recognition model— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot named entity recognition (NER), Language modeling. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
Named Entity Recognition model— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 9.7 × 10¹⁶ 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.
Named Entity Recognition 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.
Named Entity Recognition 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.
Named Entity Recognition model— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
Named Entity Recognition model— Ki készítette ezt?
Kiadta Carnegie Mellon University (CMU), alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia.
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..