Named Entity Recognition 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
- 4 March 2016
- Autori
- Xuezhe 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
- Named entity recognition (NER), Language modeling
- 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
- 204,567 tokens
- Epoche
- 50
Table 2. 204567 tokens
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
- 9.7 × 10¹⁶ FLOP
- Come è stato stabilito
- Hardware
8 hours of training for NER 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
- 8
- Tempo di parete
- 8 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.
- Perché è monitorato
- Discretionary
- Record fiducia
- Confident
- Citazioni
- 3,100
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
Informazioni su questo modello
Named Entity Recognition model è stato pubblicato da Carnegie Mellon University (CMU), nel paese registrato come United States of America, durante March 2016. L'organizzazione di pubblicazione è classificata come academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di named entity recognition (NER), Language modeling.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Addestramento e provenienza
Il run di addestramento ha consumato circa 9.7 × 10¹⁶ 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.
L'addestramento ha consumato un corpus di circa 204,567 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: discretionary.
Risposte
Named Entity Recognition model — domande comuni
Named Entity Recognition model— quando è stato rilasciato?
È stato pubblicato in March 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.
Named Entity Recognition model— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di named entity recognition (NER), Language modeling. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
Named Entity Recognition model— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 9.7 × 10¹⁶ 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.
Named Entity Recognition 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.
Named Entity Recognition 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.
Named Entity Recognition 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.
Named Entity Recognition model— chi l'ha creato?
È stato pubblicato da Carnegie Mellon University (CMU), basato su United States of America, un'organizzazione categorizzata come academia.
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.