Conformer + Wav2vec 2.0 + Noisy Student
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Google,Google Research,Google Brain
- Tipo di organizzazione
- Industry,Industry,Industry
- Paese
- United States of America
- Pubblicato
- 20 October 2020
- Autori
- Yu Zhang, James Qin, Daniel S. Park, Wei Han, Chung-Cheng Chiu, Ruoming Pang, Quoc V. Le, Yonghui Wu
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Speech
- Compito
- Speech recognition (ASR)
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 1B
- Dati di addestramento
- tokens
1B for XXL model
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 7.6 × 10²¹ FLOP
- Come è stato stabilito
- Hardware
"We train with global batch size 2048 on 256/512 Google TPU V3 cores for 3-4 days for the XL/XXL models respectively... We fine-tune the pre-trained checkpoints (400k steps) with global batch size 1024/512 on 256/512 Google TPU v3 cores for 1-3 days for the XL/XXL models" TPU v3 chips are 123 teraflop/s. 2 chips per core 512 cores * 7 days * 24 * 3600 * 123 tflops * (1 chip/2 cores) * 0.4 (assumed utilization) = 7.6e21
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- Google TPU v3
- Chip utilizzati
- 256
- Tempo di parete
- 168 hours (7 days)
- Consumo energetico
- 234.3 kW
- Costo di calcolo
- $9,450
7 days
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
- Codice di addestramento
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- SOTA improvement
- Record fiducia
- Confident
- Citazioni
- 332
"By doing so, we are able to achieve word-error-rates (WERs) 1.4%/2.6% on the LibriSpeech test/test-other sets against the current state-of-the-art WERs 1.7%/3.3%."
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Pushing the Limits of Semi-Supervised Learning for Automatic Speech Recognition
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
Conformer + Wav2vec 2.0 + Noisy Student è stato pubblicato da Google,Google Research,Google Brain, nel paese registrato come United States of America, durante October 2020. L'organizzazione di pubblicazione è classificata come industry,Industry,Industry.
Funziona nel dominio di Speech, ed è registrato come eseguire il compito di speech recognition (ASR).
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Addestramento e provenienza
Il run di addestramento ha consumato circa 7.6 × 10²¹ FLOP, su hardware registrato come Google TPU v3. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
Conformer + Wav2vec 2.0 + Noisy Student — domande comuni
Conformer + Wav2vec 2.0 + Noisy Student— A cosa serve?
Funziona nel dominio di Speech, e viene registrato come gestire il compito di speech recognition (ASR). Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
Conformer + Wav2vec 2.0 + Noisy Student— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 7.6 × 10²¹ FLOP, su hardware registrato come Google TPU v3. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
Conformer + Wav2vec 2.0 + Noisy Student— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
Conformer + Wav2vec 2.0 + Noisy Student— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Conformer + Wav2vec 2.0 + Noisy Student— quanti parametri ha?
Ha un numero di parametri di 1B. 1B for XXL model. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
Conformer + Wav2vec 2.0 + Noisy Student— chi l'ha creato?
È stato pubblicato da Google,Google Research,Google Brain, basato su United States of America, un'organizzazione categorizzata come industry,Industry,Industry.
Conformer + Wav2vec 2.0 + Noisy Student— quando è stato rilasciato?
È stato pubblicato in October 2020. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.