DeepSpeech2 (English)
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
- Baidu Research - Silicon Valley AI Lab
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 8 December 2015
- Autorzy
- Dario Amodei, Rishita Anubhai, Eric Battenberg, Carl Case, Jared Casper, Bryan Catanzaro, Jingdong Chen, Mike Chrzanowski, Adam Coates, Greg Diamos, Erich Elsen, Jesse Engel, Linxi Fan, Christopher Fougner, Tony Han, Awni Hannun, Billy Jun, Patrick LeGresley, Libby Lin, Sharan Narang, Andrew Ng, Sherjil Ozair, Ryan Prenger, Jonathan Raiman, Sanjeev Satheesh, David Seetapun, Shubho Sengupta, Yi Wan…
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Speech
- Zadanie
- Speech recognition (ASR)
- 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.
- parametry
- 38M
- Dane treningowe
- 716,400,000 tokens
All networks have 38 million parameters.
"Our English speech system is trained on 11,940 hours of speech, while the Mandarin system is trained on 9,400 hours." 11,940 * 13,680 = 163339200
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
- 2.6 × 10¹⁹ FLOP
- Jak to zostało ustalone
- Operation counting,Third-party estimation
1 timestep = (1280 hidden units)^2 * (7 RNN layers * 4 matrices for bidirectional + 2 DNN layers) * (2 for doubling parameters from 36M to 72M) = 98 MFLOP 20 epochs * 12,000 hours * 3600 seconds/hour * 50 samples/sec * 98 MFLOP * 3 add-multiply * 2 backprop = 26,000 PF = 0.30 pfs-days See also AI and Compute by Dario Amodei and OpenAI https://openai.com/research/ai-and-compute
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
- 16
- Czas-chip
- 1,920
- Czas rzeczywisty
- 120 hours
- Wykorzystanie sprzętu
- HFU 46.7%
- Pobór mocy
- 8.5 kW
- Koszt obliczeniowy
- $214
"5 days" from AI and Compute https://openai.com/index/ai-and-compute/
"Overall the system sustains approximately 50 teraFLOP/second when training on 16 GPUs. This amounts to 3 teraFLOP/second per GPU which is about 50% of peak theoretical performance" HFU = (50/16) TFLOP / 6.69 TFLOP = 0.4670
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Model Frontier
- Yes
- Zapisz pewność
- Confident
- Cytaty
- 3,150
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Deep Speech 2: End-to-End Speech Recognition in English and Mandarin
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
O tym modelu
DeepSpeech2 (English) został opublikowany przez Baidu Research - Silicon Valley AI Lab, w kraju zapisanym jako United States of America, podczas December 2015. Kategoria, do której należy wydawca, to industry.
Działa w dziedzinie Speech, i jest zapisany jako wykonujący zadanie speech recognition (ASR).
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Co poszło w budowę tego
Trenowanie zajęło budżet obliczeniowy wynoszący około 2.6 × 10¹⁹ 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.
Trening zużył korpus około 716,400,000 Tokeny tekstu.
Odpowiedzi
DeepSpeech2 (English) — częste pytania
DeepSpeech2 (English)— kto to stworzył?
Zostało opublikowane przez Baidu Research - Silicon Valley AI Lab, oparty na United States of America, organizacja sklasyfikowana jako industry.
DeepSpeech2 (English)— kiedy to zostało wydane?
Zostało opublikowane w December 2015. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
DeepSpeech2 (English)— do czego to służy?
Działa w dziedzinie Speech, i jest zarejestrowany jako realizujący zadanie speech recognition (ASR). Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
DeepSpeech2 (English)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.6 × 10¹⁹ 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.
DeepSpeech2 (English)— 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.
DeepSpeech2 (English)— 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.
DeepSpeech2 (English)— ile ma parametrów?
Ma liczbę parametrów równą 38M. All networks have 38 million parameters. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
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.