Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Henan University
- Organisationsart
- Academia
- Land
- China
- Veröffentlicht
- 23 March 2023
- Autoren
- Wei Yang, Chun Liu, Zheng Li
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Biology
- Aufgabe
- Protein or nucleotide language model (pLM/nLM), Protein folding prediction
- Basis-Modell
- ProtT5-XL-U50
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Trainingsdaten
- 10,000,001 tokens
25,792 training chains × 400 residues = 10,316,800 tokens ≈ 1.0e7
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 1.9 × 10²² FLOP
- Wie es etabliert wurde
- Hardware
- Feinabstimmung Rechenleistung
- 6.1 × 10¹⁸ FLOP
1. Hardware setup: 1x NVIDIA GeForce RTX 3090 Ti (1.60 x 10^14 FP16 FLOP/s) 2. Training duration: Directly provided - 2,200 seconds/epoch × 43 epochs = 94,600 seconds 3. Utilization rate: 40% 4. Final calculation: 1.60 × 10^14 FLOP/s × 94,600 seconds × 0.4 = 6.05 × 10^18 FLOPs Base model: 18704498688000000000000 Total: 18704498688000000000000+6.05 × 10^18=18710548688000000000000
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Trainingshardware
- NVIDIA GeForce RTX 3090 Ti
- Verwendete Chips
- 1
- Wand-Uhrzeit
- 27 hours
- Stromverbrauch
- 493 W
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Aufzeichnungsgenauigkeit
- Confident
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary Structure Prediction
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Woher es kam
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary wurde veröffentlicht von Henan University, im Land aufgezeichnet als China, während March 2023. Die Kategorie, in die der Herausgeber fällt, ist academia.
Es funktioniert im Bereich von Biology, und wird als die Aufgabe von aufgezeichnet protein or nucleotide language model (pLM/nLM), Protein folding prediction.
Es basiert auf ProtT5-XL-U50. Das ist der übliche Weg, wie ein spezialisiertes Modell hergestellt wird.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Wie es trainiert wurde
Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 1.9 × 10²² FLOP, auf Hardware erfasst als NVIDIA GeForce RTX 3090 Ti. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Der Trainingssatz lief auf etwa 10,000,001 Text-Tokens
Antworten
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary — Häufige Fragen
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary— Ist es Open-Source?
Die Lizenzierung wurde nie in unseren Quelldaten aufgezeichnet. Wir behandeln nicht angegebene Lizenzen als geschlossen, da eine nicht aufgezeichnete Lizenz keine ist, auf die man sich verlassen kann.
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary— Wie viele Parameter hat es?
Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary— Wer hat es erstellt?
Es wurde veröffentlicht von Henan University, basiert auf China, eine als kategorisierte Organisation academia.
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in March 2023. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary— Wofür wird es verwendet?
Es funktioniert im Bereich von Biology, und wird als Bewältigung der Aufgabe von protein or nucleotide language model (pLM/nLM), Protein folding prediction. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 1.9 × 10²² FLOP, auf Hardware erfasst als NVIDIA GeForce RTX 3090 Ti. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.