RankNet
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
- Microsoft Research,Microsoft
- Tipo di organizzazione
- Industry,Industry
- Paese
- United States of America
- Pubblicato
- 7 August 2005
- Autori
- Chris Burges, Tal Shaked, Erin Renshaw, Ari Lazier, Matt Deeds, Nicole Hamilton, Greg HullenderAuthors Info & Claims
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Search
- Compito
- Search
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
- 5.7K
- Dati di addestramento
- 3,464,289 tokens
- Epoche
- 22
Model is "a two layer net with 10 hidden units" Input is of size 569 "In all, we use 569 features" Parameters: 569*10 + 10 for hidden layer 10*1 + 1 for output layer
"This resulted in our training on 384,314 query/document feature vectors, and on 3,464,289 pairs."
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
- 3.5 × 10¹² FLOP
- Come è stato stabilito
- Operation counting
FLOPs per forward pass: 2*parameters = 11422 FLOPs per pair (data point): two forward passes and one backward pass ("A forward prop is performed for the first sample; each node’s activation and gradient value are stored; a forward prop is then performed for the second sample, and the activations and gradients are again stored. The gradient of the cost is then *formula*") = 2*11422 + 2*11422 = 45688 Total FLOPs = (FLOPs per pair = 45688)*(pairs = 3,464,289)*(epochs = 22) = 3.48E12
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
- 6 hours
Table 6
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
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- Highly cited
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Learning to rank using gradient descent
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Sfondo
RankNet è stato pubblicato da Microsoft Research,Microsoft, nel paese registrato come United States of America, durante August 2005. La categoria sotto cui rientra l'editore è industry,Industry.
Funziona nel dominio di Search, ed è registrato come eseguire il compito di search.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Come è stato addestrato
Il run di addestramento ha consumato circa 3.5 × 10¹² FLOP. 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 3,464,289 token di testo
Il suo criterio di inclusione: highly cited.
Risposte
RankNet — domande comuni
RankNet— 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.
RankNet— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
RankNet— quanti parametri ha?
Ha un numero di parametri di 5.7K. Model is "a two layer net with 10 hidden units" Input is of size 569 "In all, we use 569 features" Parameters: 569*10 + 10 for hidden layer 10*1 + 1 for output layer. 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.
RankNet— chi l'ha creato?
È stato pubblicato da Microsoft Research,Microsoft, basato su United States of America, un'organizzazione categorizzata come industry,Industry.
RankNet— quando è stato rilasciato?
È stato pubblicato in August 2005. 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.
RankNet— A cosa serve?
Funziona nel dominio di Search, e viene registrato come gestire il compito di search. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
RankNet— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.5 × 10¹² 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.
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.