DNCON2
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti tohoto modelu jsou otevřené, ale žádný počet parametrů pro něj nebyl zveřejněn. Každé číslo týkající se paměti a rychlosti vychází z této hodnoty, takže bychom raději nic neukázali, než fabrikaovaný odhad..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- University of Missouri
- Typ organizace
- Academia
- Země
- United States of America
- Publikováno
- 1 May 2018
- Autoři
- Badri Adhikari, Jie Hou, Jianlin Cheng
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Biology
- Úkol
- Proteins, Protein folding prediction
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- Výcviková data
- 444,030,000 tokens
- Epochy
- 1,600
"Our raw feature files for all 1426 training proteins"
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 9.5 × 10¹⁶ FLOP
- Jak bylo ustanoveno
- Hardware
"Our training was conducted on Tesla K20 Nvidia GPUs each having 5 GB of GPU memory, on which, training one model took around 12 h." "We train each CNN for a total of 1600 epochs with each epoch of training taking around 2 min." Assumptions: peakFLOP rate 3.52e12FLOP/s (from: https://www.techpowerup.com/gpu-specs/tesla-k20c.c564) 30% utilization rate 1 GPU Estimate 1: "training one model took around 12h" => unclear how many GPUs (12 *3600) s * 3.52e12 FLOP/s * 0.3 = 4.5e16 FLOP Estimate 2: "…
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Doba reálného času
- 12 hours
"training one model took around 12 h"
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Open — downloadable
- Přístup k modelu
- Open weights (unrestricted)
- Tréninkový kód
- Open source
license: https://github.com/multicom-toolbox/DNCON2?tab=GPL-3.0-1-ov-file#readme
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Likely
- Citace
- 173
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- DNCON2: improved protein contact prediction using two-level deep convolutional neural networks
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Co je tento MODEL
DNCON2 byl zveřejněn University of Missouri, v zemi zaznamenané jako United States of America, během May 2018. Vychází z organizace, která je kategorizována jako academia.
funguje v oblasti Biology, a je zaznamenán jako vykonávající úkol proteins, Protein folding prediction.
Otevřené váhy jsou to, co dává této stránce místo v kalkulátoru spíše než pouze v katalogu: je to model, který můžeš skutečně držet.
Jak bylo trénováno
Trenovací běh spotřeboval asi 9.5 × 10¹⁶ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Tréninková sada běžela na přibližně 444,030,000 tokeny textu
Odpovědi
DNCON2 — běžné otázky
DNCON2— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 9.5 × 10¹⁶ FLOP. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
DNCON2— Jakou GPU potřebuji k jejímu spuštění?
Nemůžeme říct. Má otevřené váhy, ale žádný počet parametrů pro něj nebyl zveřejněn a každý výpočet paměti a rychlosti začíná od toho čísla. Raději bychom ukázali nic než vykonstruovaný odhad.
DNCON2— Je to OPEN SOURCE?
Jeho váhy jsou zveřejněny, takže si je lze stáhnout a spustit na vlastním hardwaru. Všimněte si, že open WEIGHTS není totéž co open SOURCE v plném smyslu — neříká nic o tréninkových datech, tréninkovém kódu nebo obchodních podmínkách připojených.
DNCON2— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
DNCON2— Kdo to vytvořil?
Bylo to publikováno společností University of Missouri, zakládající se na United States of America, organizace zařazená jako academia.
DNCON2— Kdy byl vydán?
Bylo to zveřejněno v May 2018. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
DNCON2— K čemu se to používá?
funguje v oblasti Biology, a je zaznamenáno jako zpracovávající úkol proteins, Protein folding prediction. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
DNCON2— kde si to mohu stáhnout?
Váhy jsou zveřejněny, i když nemáme odkaz na repozitář. Tato stránka vypočítává hardwarové požadavky spíše než aby hostila modelové soubory.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.