RankNet
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
- Microsoft Research,Microsoft
- Typ organizacji
- Industry,Industry
- Kraj
- United States of America
- Opublikowany
- 7 August 2005
- Autorzy
- Chris Burges, Tal Shaked, Erin Renshaw, Ari Lazier, Matt Deeds, Nicole Hamilton, Greg HullenderAuthors Info & Claims
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Search
- Zadanie
- Search
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 5.7K
- Dane treningowe
- 3,464,289 tokens
- Epoki
- 22
Model is "a two layer net with 10 hidden units" Input is of size 569 "In all, we use 569 features" Parameters: 569*10 + 10 for hidden layer 10*1 + 1 for output layer
"This resulted in our training on 384,314 query/document feature vectors, and on 3,464,289 pairs."
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
- 3.5 × 10¹² FLOP
- Jak to zostało ustalone
- Operation counting
FLOPs per forward pass: 2*parameters = 11422 FLOPs per pair (data point): two forward passes and one backward pass ("A forward prop is performed for the first sample; each node’s activation and gradient value are stored; a forward prop is then performed for the second sample, and the activations and gradients are again stored. The gradient of the cost is then *formula*") = 2*11422 + 2*11422 = 45688 Total FLOPs = (FLOPs per pair = 45688)*(pairs = 3,464,289)*(epochs = 22) = 3.48E12
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Czas rzeczywisty
- 6 hours
Table 6
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
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- Highly cited
- Zapisz pewność
- Confident
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Learning to rank using gradient descent
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Tło
RankNet został opublikowany przez Microsoft Research,Microsoft, w kraju zapisanym jako United States of America, podczas August 2005. Kategoria, do której należy wydawca, to industry,Industry.
Działa w dziedzinie Search, i jest zapisany jako wykonujący zadanie search.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Jak to zostało wytrenowane
Trening zajmował około 3.5 × 10¹² FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Zbiór treningowy trwał około 3,464,289 Tokeny tekstu.
Kryterium włączenia: highly cited.
Odpowiedzi
RankNet — częste pytania
RankNet— 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.
RankNet— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
RankNet— ile ma parametrów?
Ma liczbę parametrów równą 5.7K. Model is "a two layer net with 10 hidden units" Input is of size 569 "In all, we use 569 features" Parameters: 569*10 + 10 for hidden layer 10*1 + 1 for output layer. 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.
RankNet— kto to stworzył?
Zostało opublikowane przez Microsoft Research,Microsoft, oparty na United States of America, organizacja sklasyfikowana jako industry,Industry.
RankNet— kiedy to zostało wydane?
Zostało opublikowane w August 2005. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
RankNet— do czego to służy?
Działa w dziedzinie Search, i jest zarejestrowany jako realizujący zadanie search. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
RankNet— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 3.5 × 10¹² FLOP. 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.
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.