CTC-Trained LSTM
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
- IDSIA,Technical University of Munich
- Tipo di organizzazione
- Academia,Academia
- Paese
- Switzerland, Germany
- Pubblicato
- 25 June 2006
- Autori
- Alex Graves, Santiago Fernández, Faustino Gómez, Jürgen Schmidhuber
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
- 114.7K
- Dati di addestramento
- tokens
"The hidden layers were fully connected to themselves and the output layer, and fully connected from the input layer. The input layer was size 26, the softmax output layer size 62 (61 phoneme categories plus the blank label), and the total number of weights was 114, 662." https://www.cs.toronto.edu/~graves/icml_2006.pdf
4162 utterances, guesstimated avg 10 words per utterance
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Citazioni
- 4,862
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Connectionist Temporal Classification: Labelling Unsegmented Sequence Data with Recurrent Neural Networks
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Sfondo
CTC-Trained LSTM è stato pubblicato da IDSIA,Technical University of Munich, nel paese registrato come Switzerland, durante June 2006. L'organizzazione di pubblicazione è classificata come academia,Academia.
Funziona nel dominio di Speech, ed è registrato come eseguire il compito di speech recognition (ASR).
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Risposte
CTC-Trained LSTM — domande comuni
CTC-Trained LSTM— 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.
CTC-Trained LSTM— 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.
CTC-Trained LSTM— quanti parametri ha?
Ha un numero di parametri di 114.7K. "The hidden layers were fully connected to themselves and the output layer, and fully connected from the input layer. The input layer was size 26, the softmax output layer size 62 (61 phoneme categories plus the blank label), and the total number of weights was 114, 662." https://www.cs.toronto.edu/~graves/icml_2006.pdf. 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.
CTC-Trained LSTM— chi l'ha creato?
È stato pubblicato da IDSIA,Technical University of Munich, basato su Switzerland, un'organizzazione categorizzata come academia,Academia.
CTC-Trained LSTM— quando è stato rilasciato?
È stato pubblicato in June 2006. 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.
CTC-Trained LSTM— 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.
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.