DNCON2
Χωρίς εκτίμηση
Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο
Τα βάρη αυτού του μοντέλου είναι ανοιχτά, αλλά κανένας αριθμός παραμέτρων δεν έχει δημοσιοποιηθεί γι' αυτό. Κάθε νούμερο σχετικά με τη μνήμη και την ταχύτητα ξεκινά από αυτόν τον αριθμό, γι' αυτό προτιμούμε να μην δείχνουμε τίποτα παρά μια πλαστή εκτίμηση.
Σε εγγραφή
Πλήρης προδιαγραφή
Όλα τα δεδομένα σχετικά με αυτό το μοντέλο. Τα περισσότερα περιγράφουν πώς εκπαιδεύτηκε παρά πώς τρέχει — χρήσιμο πλαίσιο για την αξιολόγηση του πόσο δουλειά απαιτήθηκε και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα.
Προέλευση
Ποιος δημιούργησε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε;
- Οργάνωση
- University of Missouri
- Τύπος οργάνωσης
- Academia
- Χώρα
- United States of America
- Δημοσιευμένο
- 1 May 2018
- Συγγραφείς
- Badri Adhikari, Jie Hou, Jianlin Cheng
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες κατασκευάστηκε το μοντέλο. Ένα μοντέλο μπορεί να περιέχει αρκετές από κάθε μία.
- Τομέας
- Biology
- Εντολή
- Proteins, Protein folding prediction
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα εκπαιδεύτηκε. Οι παράμετροι είναι το νούμερο που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.
- Δεδομένα εκπαίδευσης
- 444,030,000 tokens
- Εποχές
- 1,600
"Our raw feature files for all 1426 training proteins"
Υπολογιστική εκπαίδευση
Η αριθμητική που εκτελείται για την εκπαίδευση του μοντέλου, μετρημένη σε αριθμητικές πράξεις κινητής υποδιαστολής. Είναι ένα μέτρο του κόστους της εκπαίδευσης, όχι πόσο γρήγορα απαντά το ολοκληρωμένο μοντέλο.
- Υπολογιστική εκπαίδευση
- 9.5 × 10¹⁶ FLOP
- Πώς ιδρύθηκε
- 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: "…
Η εκπαίδευση
Τι χρειάστηκε φυσικά για να εκπαιδεύσουμε: ποια τσιπ, πόσα, για πόσο καιρό, και τι αυτό τραβούσε από τον τοίχο.
- Χρόνος τοίχου
- 12 hours
"training one model took around 12 h"
Διαθεσιμότητα
Εάν μπορείτε να αποκτήσετε το μοντέλο και να το εκτελέσετε στον δικό σας εξοπλισμό, κάτι που αποφασίζει αν κάποια από τα στοιχεία της κάρτας γραφικών σε αυτή τη σελίδα εφαρμόζονται.
- Βάρη
- Open — downloadable
- Πρόσβαση μοντέλου
- Open weights (unrestricted)
- Κώδικας εκπαίδευσης
- Open source
license: https://github.com/multicom-toolbox/DNCON2?tab=GPL-3.0-1-ov-file#readme
Πώς ταξινομείται
Ετικέτες που εφαρμόζει το πηγαίο σύνολο δεδομένων κατά την παρακολούθηση σημαντικών μοντέλων, και πόσο σίγουρο είναι για την είσοδο.
- Καταγραφή εμπιστοσύνης
- Likely
- Αναφορές
- 173
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία.
- Αναφορά
- DNCON2: improved protein contact prediction using two-level deep convolutional neural networks
- Τελευταία ενημέρωση
- 28 November 2025
Τι σημαίνουν οι αριθμοί
Τι είναι αυτό το μοντέλο
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.
Οι βάσεις που είναι ανοιχτές είναι αυτό που βάζει αυτή τη σελίδα στον υπολογιστή και όχι μόνο στον κατάλογο: είναι ένα μοντέλο που μπορείτε πραγματικά να κρατήσετε.
Πώς εκπαιδεύτηκε
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.
Απαντήσεις
DNCON2 — Συχνές ερωτήσεις
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.
Η άλλη κατεύθυνση
Βλέποντάς το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινάει από το μοντέλο. Αν ήδη διαθέτετε μια κάρτα και θέλετε να γνωρίζετε όλα όσα θα τρέξει, Ξεκινήστε από το υλικό αντί..