RNN-WER
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
- DeepMind,University of Toronto
- Szervezet típusa
- Industry,Academia
- Ország
- United Kingdom of Great Britain and Northern Ireland, Canada
- Közölt
- 22 June 2014
- Szerzők
- Alex Graves, Navdeep Jaitly
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.
- Paraméterek
- 26.5M
- Képzési adatok
- tokens
"The network had five levels of bidirectional LSTM hidden layers, with 500 cells in each layer, giving a total of ∼ 26.5M weights."
dataset is 81 hours At 228 wpm (https://docs.google.com/document/d/1G3vvQkn4x_W71MKg0GmHVtzfd9m0y3_Ofcoew0v902Q/edit) that's 81*228*60 = 1,108,080 another source says WSJ contains 37k sentences, so this would be ~30 words per sentence which seems high but roughly right: https://www.arxiv-vanity.com/papers/1903.00216/
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- Highly cited,SOTA improvement
- Nyilvántartási bizalom
- Likely
- Hivatkozások
- 2,805
"Finally, by combining the new model with a baseline, we have achieved state-of-the-art accuracy on the Wall Street Journal corpus for speaker independent recognition."
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Towards End-To-End Speech Recognition with Recurrent Neural Networks
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Erről a modelről
RNN-WER ki lett adva által DeepMind,University of Toronto, az országban rögzítve mint United Kingdom of Great Britain and Northern Ireland, alatt June 2014. A kiadó kategóriája alá tartozik industry,Academia.
Működik a területen a Speech, és úgy van rögzítve, mint a feladat végrehajtása speech recognition (ASR).
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Képzés és származás
Az oka, hogy egyáltalán megjelenik ebben a katalógusban: highly cited,SOTA improvement.
Válaszok
RNN-WER — gyakori kérdések
RNN-WER— Mire használják?
Működik a területen a Speech, és rögzítve van, hogy kezeli a feladatot speech recognition (ASR). Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
RNN-WER— 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.
RNN-WER— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
RNN-WER— Hány paramétere van?
Paraméterszáma 26.5M. "The network had five levels of bidirectional LSTM hidden layers, with 500 cells in each layer, giving a total of ∼ 26.5M weights.". Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
RNN-WER— Ki készítette ezt?
Kiadta DeepMind,University of Toronto, alapján United Kingdom of Great Britain and Northern Ireland, egy szervezet, amelyet kategorizáltak mint industry,Academia.
RNN-WER— Mikor adták ki?
Kibocsátották a June 2014. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
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..