TC-DNN-BLSTM-DNN
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
- 6 April 2015
- Autori
- William Chan, Ian Lane
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), Speech-to-text
- Approccio
- Supervised
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
- 18.4M
- Dati di addestramento
- 29,160,000 tokens
- Epoche
- 17
3*40 inputs - 2L DNN (2048) - BLSTM (128*2) - 2L DNN (2048) - 3431 outputs 3*40*2048 + 2048*2048 + 2*4*(2048+128)*128 + 256*2048 + 2048*2048 + 2048*3431=18413568
"We use si284 with approximately 81 hours of speech as the training set,"
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
- 1.9 × 10¹⁷ FLOP
- Come è stato stabilito
- Hardware
"51 hours in wall clock time with a NVIDIA Tesla K20 GPU" K20 FLOPs: 3524000000000 Compute: 0.3*51*60*60*3524000000000=194101919999999970= 1.94e17
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 Tesla K20m
- Chip utilizzati
- 1
- Tempo di parete
- 51 hours
- Consumo energetico
- 263 W
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
https://paperswithcode.com/sota/speech-recognition-on-wsj-eval92
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Deep Recurrent Neural Networks for Acoustic Modelling
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
TC-DNN-BLSTM-DNN è stato pubblicato da Carnegie Mellon University (CMU), nel paese registrato come United States of America, durante April 2015. Esce da un'organizzazione categorizzata come academia.
Funziona nel dominio di Speech, ed è registrato come eseguire il compito di speech recognition (ASR), Speech-to-text.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Come è stato addestrato
Il training ha richiesto un budget di calcolo di circa 1.9 × 10¹⁷ FLOP, su hardware registrato come NVIDIA Tesla K20m. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 29,160,000 token di testo
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
TC-DNN-BLSTM-DNN — domande comuni
TC-DNN-BLSTM-DNN— quando è stato rilasciato?
È stato pubblicato in April 2015. 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.
TC-DNN-BLSTM-DNN— A cosa serve?
Funziona nel dominio di Speech, e viene registrato come gestire il compito di speech recognition (ASR), Speech-to-text. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
TC-DNN-BLSTM-DNN— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.9 × 10¹⁷ FLOP, su hardware registrato come NVIDIA Tesla K20m. 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.
TC-DNN-BLSTM-DNN— 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.
TC-DNN-BLSTM-DNN— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
TC-DNN-BLSTM-DNN— quanti parametri ha?
Ha un numero di parametri di 18.4M. 3*40 inputs - 2L DNN (2048) - BLSTM (128*2) - 2L DNN (2048) - 3431 outputs 3*40*2048 + 2048*2048 + 2*4*(2048+128)*128 + 256*2048 + 2048*2048 + 2048*3431=18413568. 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.
TC-DNN-BLSTM-DNN— 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.