TC-DNN-BLSTM-DNN
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
- 6 April 2015
- Autorzy
- William Chan, Ian Lane
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Speech
- Zadanie
- Speech recognition (ASR), Speech-to-text
- Podejście
- Supervised
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 18.4M
- Dane treningowe
- 29,160,000 tokens
- Epoki
- 17
3*40 inputs - 2L DNN (2048) - BLSTM (128*2) - 2L DNN (2048) - 3431 outputs 3*40*2048 + 2048*2048 + 2*4*(2048+128)*128 + 256*2048 + 2048*2048 + 2048*3431=18413568
"We use si284 with approximately 81 hours of speech as the training set,"
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
- 1.9 × 10¹⁷ FLOP
- Jak to zostało ustalone
- Hardware
"51 hours in wall clock time with a NVIDIA Tesla K20 GPU" K20 FLOPs: 3524000000000 Compute: 0.3*51*60*60*3524000000000=194101919999999970= 1.94e17
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA Tesla K20m
- Zastosowane chipy
- 1
- Czas rzeczywisty
- 51 hours
- Pobór mocy
- 263 W
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
- Kod treningowy
- Unreleased
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- SOTA improvement
- Zapisz pewność
- Confident
https://paperswithcode.com/sota/speech-recognition-on-wsj-eval92
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Deep Recurrent Neural Networks for Acoustic Modelling
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
O tym modelu
TC-DNN-BLSTM-DNN został opublikowany przez Carnegie Mellon University (CMU), w kraju zapisanym jako United States of America, podczas April 2015. Wychodzi z organizacji zaklasyfikowanej jako academia.
Działa w dziedzinie Speech, i jest zapisany jako wykonujący zadanie speech recognition (ASR), Speech-to-text.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Jak to zostało wytrenowane
Trenowanie zajęło budżet obliczeniowy wynoszący około 1.9 × 10¹⁷ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Tesla K20m. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 29,160,000 Tokeny tekstu.
Powód, dla którego w ogóle pojawia się w tym katalogu: sOTA improvement.
Odpowiedzi
TC-DNN-BLSTM-DNN — częste pytania
TC-DNN-BLSTM-DNN— kiedy to zostało wydane?
Zostało opublikowane w April 2015. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
TC-DNN-BLSTM-DNN— do czego to służy?
Działa w dziedzinie Speech, i jest zarejestrowany jako realizujący zadanie speech recognition (ASR), Speech-to-text. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
TC-DNN-BLSTM-DNN— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 1.9 × 10¹⁷ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Tesla K20m. 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.
TC-DNN-BLSTM-DNN— 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.
TC-DNN-BLSTM-DNN— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
TC-DNN-BLSTM-DNN— ile ma parametrów?
Ma liczbę parametrów równą 18.4M. 3*40 inputs - 2L DNN (2048) - BLSTM (128*2) - 2L DNN (2048) - 3431 outputs 3*40*2048 + 2048*2048 + 2*4*(2048+128)*128 + 256*2048 + 2048*2048 + 2048*3431=18413568. 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.
TC-DNN-BLSTM-DNN— kto to stworzył?
Zostało opublikowane przez Carnegie Mellon University (CMU), oparty na United States of America, organizacja sklasyfikowana jako academia.
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.