Deep-LDA
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Fudan University
- Tipo de Organización
- Academia
- País
- China
- Publicado
- 14 September 2022
- Autores
- Yunhe Liu, Qiqing Fu, Chenyu Dong, Xiaoqiong Xia, Gang Liu, Lei Liu
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Biology
- Tarea
- Cell Biology, Gene expression profile generation, Cell-cell interaction prediction
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- tokens
after removal of inferred impurity cells (Phase III; 10374 cells left)
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Open source
The three deep generative models covered in this article, as well as necessary clustering evaluation tools and plotting tools are organized into the ScDeepTools (https://github.com/liuyunho/ScDeepTools) software. License: BSD-3-Clause license
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Optimization and redevelopment of single-cell data analysis workflow based on deep generative models
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
Deep-LDA fue publicado por Fudan University, en el país registrado como China, durante September 2022. La organización editora está clasificada como academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de cell Biology, Gene expression profile generation, Cell-cell interaction prediction.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Respuestas
Deep-LDA — preguntas comunes
Deep-LDA— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
Deep-LDA— ¿Quién lo creó?
Fue publicado por Fudan University, basado en China, una organización categorizada como academia.
Deep-LDA— ¿cuándo fue lanzado?
Se publicó en September 2022. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Deep-LDA— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de cell Biology, Gene expression profile generation, Cell-cell interaction prediction. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Deep-LDA— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
Deep-LDA— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.