Part-of-sentence tagging model
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Carnegie Mellon University (CMU)
- Typ organizacji
- Academia
- Kraj
- United States of America
- Opublikowany
- 29 May 2016
- Autorzy
- Xuehe Ma, Eduard Hovy
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Part-of-speech tagging
- Format numeryczny
- FP32
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Dane treningowe
- 912,344 tokens
- Epoki
- 50
Table 2
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 1.5 × 10¹⁷ FLOP
- Jak to zostało ustalone
- Hardware
12 hours of training for POS tagging GeForce GTX TITAN X GPU 0.33 utilization rate
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA GeForce GTX TITAN X
- Zastosowane chipy
- 1
- Czas-chip
- 12
- Czas rzeczywisty
- 12 hours
- Pobór mocy
- 290 W
"the model training requires about 12 hours for POS tagging and 8 hours for NER"
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 3,193
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Co to jest model?
Part-of-sentence tagging model został opublikowany przez Carnegie Mellon University (CMU), w kraju zapisanym jako United States of America, podczas May 2016. Wychodzi z organizacji zaklasyfikowanej jako academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie part-of-speech tagging.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Co poszło w budowę tego
Trening zajmował około 1.5 × 10¹⁷ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce GTX TITAN X. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Zbiór treningowy trwał około 912,344 Tokeny tekstu.
Odpowiedzi
Part-of-sentence tagging model — częste pytania
Part-of-sentence tagging model— czy jest open weight?
Licencja nigdy nie została zarejestrowana w naszych danych źródłowych. Traktujemy niewskazaną licencję jako zamkniętą, ponieważ niezarejestrowana licencja nie jest na którą można polegać.
Part-of-sentence tagging model— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
Part-of-sentence tagging model— kto to stworzył?
Zostało opublikowane przez Carnegie Mellon University (CMU), oparty na United States of America, organizacja sklasyfikowana jako academia.
Part-of-sentence tagging model— kiedy to zostało wydane?
Zostało opublikowane w May 2016. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Part-of-sentence tagging model— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie part-of-speech tagging. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
Part-of-sentence tagging model— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 1.5 × 10¹⁷ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce GTX TITAN X. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
Part-of-sentence tagging model— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.