ReLU-Speech
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
- Google,University of Toronto,New York University (NYU)
- Organisatietype
- Industry,Academia,Academia
- Land
- United States of America, Canada
- Gepubliceerd
- 26 May 2013
- Auteurs
- 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
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Speech
- Taak
- Speech recognition (ASR)
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.
- parameters
- 101.7M
- Training gegevens
- 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
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
- 1.3 × 10¹⁷ FLOP
- Hoe het werd opgericht
- 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…
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Kloktijd
- 168 hours (7 days)
"The results we report are obtained by training for one week."
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
- Training cost,SOTA improvement
- Record vertrouwen
- Likely
I don't see any standard benchmarks that they used for evaluations
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- On rectified linear units for speech processing
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
ReLU-Speech werd gepubliceerd door Google,University of Toronto,New York University (NYU), in het land geregistreerd als United States of America, tijdens May 2013. De publicerende organisatie is geclassificeerd als industry,Academia,Academia.
Het werkt in het domein van Speech, en wordt geregistreerd als het uitvoeren van de taak van speech recognition (ASR).
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Wat erin ging zitten om het te bouwen
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 1.3 × 10¹⁷ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: training cost,SOTA improvement.
Antwoorden
ReLU-Speech — veelgestelde vragen
ReLU-Speech— hoeveel parameters heeft het?
Het heeft een parameter telling van 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. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
ReLU-Speech— wie heeft het gemaakt?
Het werd gepubliceerd door Google,University of Toronto,New York University (NYU), gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia,Academia.
ReLU-Speech— wanneer is het uitgebracht?
Het werd gepubliceerd in May 2013. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
ReLU-Speech— waarvoor wordt het gebruikt?
Het werkt in het domein van Speech, en wordt geregistreerd als het afhandelen van speech recognition (ASR). Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
ReLU-Speech— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.3 × 10¹⁷ FLOP. 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.
ReLU-Speech— 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.
ReLU-Speech— 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.
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.