Part-of-sentence tagging model
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
- Carnegie Mellon University (CMU)
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 29 May 2016
- Autori
- Xuehe Ma, Eduard Hovy
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Part-of-speech tagging
- Formato numerico
- FP32
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.
- Dati di addestramento
- 912,344 tokens
- Epoche
- 50
Table 2
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
- 1.5 × 10¹⁷ FLOP
- Come è stato stabilito
- Hardware
12 hours of training for POS tagging GeForce GTX TITAN X GPU 0.33 utilization rate
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
- NVIDIA GeForce GTX TITAN X
- Chip utilizzati
- 1
- Chip-ore
- 12
- Tempo di parete
- 12 hours
- Consumo energetico
- 290 W
"the model training requires about 12 hours for POS tagging and 8 hours for NER"
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 3,193
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
Part-of-sentence tagging model è stato pubblicato da Carnegie Mellon University (CMU), nel paese registrato come United States of America, durante May 2016. Esce da un'organizzazione categorizzata come academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di part-of-speech tagging.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Cosa è stato necessario per costruirlo
Il run di addestramento ha consumato circa 1.5 × 10¹⁷ FLOP, su hardware registrato come NVIDIA GeForce GTX TITAN X. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il set di addestramento si aggirava attorno a 912,344 token di testo
Risposte
Part-of-sentence tagging model — domande comuni
Part-of-sentence tagging model— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
Part-of-sentence tagging model— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
Part-of-sentence tagging model— chi l'ha creato?
È stato pubblicato da Carnegie Mellon University (CMU), basato su United States of America, un'organizzazione categorizzata come academia.
Part-of-sentence tagging model— quando è stato rilasciato?
È stato pubblicato in May 2016. 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.
Part-of-sentence tagging model— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di part-of-speech tagging. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
Part-of-sentence tagging model— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.5 × 10¹⁷ FLOP, su hardware registrato come NVIDIA GeForce GTX TITAN X. 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.
Part-of-sentence tagging model— 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.
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.