Named Entity Recognition model
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Carnegie Mellon University (CMU)
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 4 March 2016
- Auteurs
- Xuezhe Ma, Eduard Hovy
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Named entity recognition (NER), Language modeling
- Numerieke indeling
- FP32
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- Training gegevens
- 204,567 tokens
- Epochs
- 50
Table 2. 204567 tokens
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 9.7 × 10¹⁶ FLOP
- Hoe het werd opgericht
- Hardware
8 hours of training for NER GeForce GTX TITAN X GPU 0.33 utilization rate
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA GeForce GTX TITAN X
- Gebruikte chips
- 1
- Chip-uren
- 8
- Kloktijd
- 8 hours
- Stroomverbruik
- 290 W
"the model training requires about 12 hours for POS tagging and 8 hours for NER"
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- Discretionary
- Record vertrouwen
- Confident
- Citaties
- 3,100
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
Named Entity Recognition model werd gepubliceerd door Carnegie Mellon University (CMU), in het land geregistreerd als United States of America, tijdens March 2016. De publicerende organisatie is geclassificeerd als academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van named entity recognition (NER), Language modeling.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Training en herkomst
De training run verbruikte ongeveer 9.7 × 10¹⁶ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX TITAN X. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Training verbruikte een corpus van ongeveer 204,567 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: discretionary.
Antwoorden
Named Entity Recognition model — veelgestelde vragen
Named Entity Recognition model— wanneer is het uitgebracht?
Het werd gepubliceerd in March 2016. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Named Entity Recognition model— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van named entity recognition (NER), Language modeling. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
Named Entity Recognition model— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 9.7 × 10¹⁶ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX TITAN X. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
Named Entity Recognition model— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
Named Entity Recognition model— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
Named Entity Recognition model— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
Named Entity Recognition model— wie heeft het gemaakt?
Het werd gepubliceerd door Carnegie Mellon University (CMU), gebaseerd op United States of America, een organisatie geclassificeerd als academia.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.