DNCON2
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Das Gewicht dieses Modells ist offen zugänglich, aber keine Parameteranzahl wurde dafür veröffentlicht. Jede Speicher- und Geschwindigkeitsangabe basiert auf dieser Zahl, daher möchten wir lieber nichts anzeigen als eine gefälschte Schätzung..
Aufzeichnung
Vollständige Spezifikation
Alles aufzeichnungsfähig für dieses Modell. Die meisten Informationen beschreiben, wie es trainiert wurde, anstatt wie es läuft — ein nützlicher Kontext, um zu beurteilen, wie viel Arbeit investiert wurde und wie es im Vergleich zu auf einer anderen Skala entwickelten Modellen abschneidet..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- University of Missouri
- Organisationstyp
- Academia
- Land
- United States of America
- Veröffentlicht
- 1 May 2018
- Autoren
- Badri Adhikari, Jie Hou, Jianlin Cheng
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Biology
- Aufgabe
- Proteins, Protein folding prediction
Größe
Wie groß das Modell ist und wie viele Daten es trainiert wurde. Die Parameter sind die Größe, die entscheidet, ob es auf eine bestimmte Grafikkarte passt.
- Trainingsdaten
- 444,030,000 tokens
- Epochen
- 1,600
"Our raw feature files for all 1426 training proteins"
Training-Computing
Die zur Ausbildung des Modells durchgeführte Arithmetik, gemessen in Gleitkommaoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht wie schnell das fertige Modell Ihnen antwortet.
- Training-Computing
- 9.5 × 10¹⁶ FLOP
- Wie es etabliert wurde
- 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: "…
Der Trainingslauf
Was physisch notwendig war, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Steckdose zog.
- Wall-clock time
- 12 hours
"training one model took around 12 h"
Verfügbarkeit
Ob Sie das Modell erhalten und es auf Ihrer eigenen Hardware ausführen können, entscheidet darüber, ob eine der Grafikkartenfiguren auf dieser Seite zutrifft.
- Gewichte
- Open — downloadable
- Modellzugang
- Open weights (unrestricted)
- Trainingscode
- Open source
license: https://github.com/multicom-toolbox/DNCON2?tab=GPL-3.0-1-ov-file#readme
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Aufzeichnungszuversicht
- Likely
- Zitationen
- 173
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- DNCON2: improved protein contact prediction using two-level deep convolutional neural networks
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Was dieses Modell ist
DNCON2 was published by University of Missouri, in United States of America, in May 2018. It comes out of academia.
It works in Biology, and is recorded as doing proteins, Protein folding prediction.
Das Offensein der Gewichte ist es, was diese Seite in den Rechner und nicht nur in den Katalog bringt: es ist ein Modell, das man tatsächlich halten kann.
Wie es trainiert wurde
The training run consumed about 9.5 × 10¹⁶ FLOP. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
The training set ran to roughly 444,030,000 tokens.
Antworten
DNCON2 — Häufig gestellte Fragen
How much compute was used to train DNCON2?
Around 9.5 × 10¹⁶ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run DNCON2?
We cannot say. DNCON2 has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
Is DNCON2 open source?
Its weights are published, so DNCON2 can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does DNCON2 have?
No parameter count has been published for DNCON2, which is why no memory or speed figure appears on this page.
Who created DNCON2?
DNCON2 was published by University of Missouri, based in United States of America, categorised as academia.
When was DNCON2 released?
DNCON2 was published in May 2018. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is DNCON2 used for?
DNCON2 works in Biology, and is recorded as handling proteins, Protein folding prediction. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
Where can I download DNCON2?
The weights for DNCON2 are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
Die andere Richtung
Wenn Sie es von der anderen Seite betrachten?
Diese Seite beginnt beim Modell. Wenn Sie bereits eine Karte besitzen und alles erfahren möchten, was es ausführen kann, Beginnen Sie stattdessen mit der Hardware.