Speaker-independent vowel classification
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
- University of Washington
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 27 November 1989
- Autori
- L. Atlas, R. Cole, J. Connor, M. El-Sharkawi, R. Marks, Y. Muthusamy, E. Barnard
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
- 3K
- Dati di addestramento
- 4,104 tokens
- Epoche
- 100
“The MLP consisted of 64 inputs (the DFf coefficients. each nonnalized between zero and one), a single hidden layer of 40 units, and 12 output units;”
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
- 7.5 × 10⁹ FLOP
- Come è stato stabilito
- Operation counting
2*3040*3*410400=7485696000=7.49e9 “The network was trained on 100 iterations through the 4104 training vectors.”
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- Historical significance
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Performance Comparisons Between Backpropagation Networks and Classification Trees on Three Real-World Applications
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
Speaker-independent vowel classification è stato pubblicato da University of Washington, nel paese registrato come United States of America, durante November 1989. La categoria sotto cui rientra l'editore è 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.
Addestramento e provenienza
La produzione di esso ha richiesto un'aritmetica totale di circa 7.5 × 10⁹ FLOP. 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 4,104 token di testo
Il suo criterio di inclusione: historical significance.
Risposte
Speaker-independent vowel classification — domande comuni
Speaker-independent vowel classification— chi l'ha creato?
È stato pubblicato da University of Washington, basato su United States of America, un'organizzazione categorizzata come academia.
Speaker-independent vowel classification— quando è stato rilasciato?
È stato pubblicato in November 1989. 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.
Speaker-independent vowel classification— A cosa serve?
Funziona nel dominio di Speech, e viene registrato come gestire il compito di speech recognition (ASR). Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
Speaker-independent vowel classification— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 7.5 × 10⁹ 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.
Speaker-independent vowel classification— 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.
Speaker-independent vowel classification— 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.
Speaker-independent vowel classification— quanti parametri ha?
Ha un numero di parametri di 3K. “The MLP consisted of 64 inputs (the DFf coefficients. each nonnalized between zero and one), a single hidden layer of 40 units, and 12 output units;”. 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.
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.