ReLU-Speech
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,University of Toronto,New York University (NYU)
- Tipo di organizzazione
- Industry,Academia,Academia
- Paese
- United States of America, Canada
- Pubblicato
- 26 May 2013
- Autori
- Matthew D. Zeiler, Marc'Aurelio Ranzato, R. Monga, Mark Z. Mao, K. Yang, Quoc V. Le, Patrick Nguyen, A. Senior, Vincent Vanhoucke, J. Dean, Geoffrey E. Hinton
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
- 101.7M
- Dati di addestramento
- tokens
"The overall input dimensionality is 1040," "All layers of our networks have 2560 hidden units " "used to generate 7969 context-dependent tied acoustic states" Largest model: 12 hidden layers (Fig 4) Parameters: 1040*2560+12*2560*2560+2560*7969=101706240
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
- 1.3 × 10¹⁷ FLOP
- Come è stato stabilito
- Hardware
"across 4 machines using up to 4 CPUs each" CPU model not specified, I assumed a Sandy Bridge with 16 FLOP/cycle and 3.3GhZ based on the publication year (4*16*3300000000=211200000000 FLOP/s per machine) Compute: 4*211200000000*168*60*60*0.3 = 1.53e17 Alternatively, the training set is "several hundred hours of speech", with inputs consisting of 26 frames, each frame is 10ms apart. If we assume 400h of training data, 400h/10ms/26= 5,538,461 inputs 6 * 101706240 * 5,538,461 = 3.38e15 FLOPs per e…
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Tempo di parete
- 168 hours (7 days)
"The results we report are obtained by training for one week."
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- Training cost,SOTA improvement
- Record fiducia
- Likely
I don't see any standard benchmarks that they used for evaluations
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- On rectified linear units for speech processing
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
ReLU-Speech è stato pubblicato da Google,University of Toronto,New York University (NYU), nel paese registrato come United States of America, durante May 2013. L'organizzazione di pubblicazione è classificata come industry,Academia,Academia.
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.
Cosa è stato necessario per costruirlo
La produzione di esso ha richiesto un'aritmetica totale di circa 1.3 × 10¹⁷ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È tracciato nel dataset sottostante per una ragione in particolare: training cost,SOTA improvement.
Risposte
ReLU-Speech — domande comuni
ReLU-Speech— quanti parametri ha?
Ha un numero di parametri di 101.7M. "The overall input dimensionality is 1040," "All layers of our networks have 2560 hidden units " "used to generate 7969 context-dependent tied acoustic states" Largest model: 12 hidden layers (Fig 4) Parameters: 1040*2560+12*2560*2560+2560*7969=101706240. 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.
ReLU-Speech— chi l'ha creato?
È stato pubblicato da Google,University of Toronto,New York University (NYU), basato su United States of America, un'organizzazione categorizzata come industry,Academia,Academia.
ReLU-Speech— quando è stato rilasciato?
È stato pubblicato in May 2013. 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.
ReLU-Speech— A cosa serve?
Funziona nel dominio di Speech, e viene registrato come gestire il compito di speech recognition (ASR). I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
ReLU-Speech— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.3 × 10¹⁷ FLOP. 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.
ReLU-Speech— 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.
ReLU-Speech— 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.
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.