scFormer
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
- University of Toronto,Vector Institute,University Health Network,Microsoft Research
- Organisationsart
- Academia,Academia,Industry
- Land
- Canada, United States of America
- Veröffentlicht
- 22 November 2022
- Autoren
- Haotian Cui, Chloe Wang, Hassaan Maan, Nan Duan, Bo Wang
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Biology
- Aufgabe
- Representation learning
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
- tokens
- Epochen
- 30
Each cell has M genes, not specified precisely but set to 1200 for UMAP plots. Total cells: 3005+7982+17001=27988 Estimated training tokens: 27988*1200=33585600
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Aufzeichnungsgenauigkeit
- Speculative
- Zitationen
- 10
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- scFormer: A Universal Representation Learning Approach for Single-Cell Data Using Transformers
- Zuletzt aktualisiert
- 1 December 2025
Was die Zahlen bedeuten
Was dieses Modell ist
scFormer wurde veröffentlicht von University of Toronto,Vector Institute,University Health Network,Microsoft Research, im Land aufgezeichnet als Canada, während November 2022. Es stammt aus einer Organisation, die kategorisiert ist als academia,Academia,Industry.
Es funktioniert im Bereich von Biology, und wird als die Aufgabe von aufgezeichnet representation learning.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Antworten
scFormer — Häufige Fragen
scFormer— Wie viele Parameter hat es?
Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.
scFormer— Wer hat es erstellt?
Es wurde veröffentlicht von University of Toronto,Vector Institute,University Health Network,Microsoft Research, basiert auf Canada, eine als kategorisierte Organisation academia,Academia,Industry.
scFormer— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in November 2022. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
scFormer— Wofür wird es verwendet?
Es funktioniert im Bereich von Biology, und wird als Bewältigung der Aufgabe von representation learning. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
scFormer— 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.
scFormer— 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.
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.