Fold2Seq
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
- IBM,Texas A&M
- Tipo de Organización
- Industry,Academia
- País
- United States of America
- Publicado
- 24 June 2021
- Autores
- Yue Cao, Payel Das, Vijil Chenthamarakshan, Pin-Yu Chen, Igor Melnyk, Yang Shen
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Biology
- Tarea
- Proteins, Protein generation, Protein inverse folding, Protein fold classification
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.
- parámetros
- 12.4M
- Datos de entrenamiento
- 45,995 tokens
- Épocas
- 200
- Tamaño de lote
- 128
Three components, a sequence encoder, fold encoder, and sequence decoder. (1) and (3) have similar architectures, a sequence embedder + transformer block (the encoder uses a transformer encoder, the decoder uses a decoder block). The fold encoder adds 6 residual conv blocks and has a 3d positional encoder rather than sequence embedder. Each residual block has two 3D-convolutional layers (3×3×3) and batch normalization layers. Each transformer block has 4 layers and d = 256 latent dimensions. …
"Training set includes 45995 proteins belonging to a total of 971 folds"
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 1.4 × 10¹⁷ FLOP
- Cómo se estableció
- Operation counting
"We train our model on 2 Tesla K80 GPUs, with batch size 128. In every training stage we train up to 200 epochs with an early stopping strategy based on the validation loss" See calculations here: https://docs.google.com/document/d/1luTCTQLmfaBfmnjbsBpWuG51x_IwuiN7mqNoOXtoi8Y/edit?usp=sharing Block 1: CNN 1: 2*20*20*20*3*3*3*4*8=13824000 CNN 2: 2*20*20*20*3*3*3*8*8=27648000 Block 2: CNN 1: 2*20*20*20*3*3*3*8*16=55296000 CNN 2: 2*20*20*20*3*3*3*16*16=110592000 Block 3: CNN 1: 2*20*20*20*3*3*3*16…
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA Tesla K80
- Chips utilizados
- 2
- Consumo de energía
- 1.2 kW
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
Apache 2.0 https://github.com/IBM/fold2seq
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Speculative
- Citas
- 56
"On test sets with single, high-resolution and complete structure inputs for individual folds, our experiments demonstrate improved or comparable performance of Fold2Seq in terms of speed, coverage, and reliability for sequence design, when compared to existing state-of-the-art methods that include data-driven deep generative models and physics-based RosettaDesign." [Abstract]
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Fold2Seq: A Joint Sequence(1D)-Fold(3D) Embedding-based Generative Model for Protein Design
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
Fold2Seq fue publicado por IBM,Texas A&M, en el país registrado como United States of America, durante June 2021. La organización editora está clasificada como industry,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de proteins, Protein generation, Protein inverse folding, Protein fold classification.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Qué se necesitó para construirlo
El entrenamiento consumió alrededor de 1.4 × 10¹⁷ FLOP, en hardware registrado como NVIDIA Tesla K80. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 45,995 tokens de texto
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
Fold2Seq — preguntas comunes
Fold2Seq— ¿Quién lo creó?
Fue publicado por IBM,Texas A&M, basado en United States of America, una organización categorizada como industry,Academia.
Fold2Seq— ¿cuándo fue lanzado?
Se publicó en June 2021. 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.
Fold2Seq— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de proteins, Protein generation, Protein inverse folding, Protein fold classification. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Fold2Seq— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.4 × 10¹⁷ FLOP, en hardware registrado como NVIDIA Tesla K80. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
Fold2Seq— ¿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.
Fold2Seq— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Fold2Seq— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 12.4M. Three components, a sequence encoder, fold encoder, and sequence decoder. (1) and (3) have similar architectures, a sequence embedder + transformer block (the encoder uses a transformer encoder, the decoder uses a decoder block). The fold encoder adds 6 residual conv blocks and has a 3d positional encoder rather than sequence embedder. Each residual block has two 3D-convolutional layers (3×3×3) and batch normalization layers. Each transformer block has 4 layers and d = 256 latent dimensions. Calculations here: https://docs.google.com/document/d/1luTCTQLmfaBfmnjbsBpWuG51x_IwuiN7mqNoOXtoi8Y/edit?usp=sharing. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
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.