DeepFRI
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos de este modelo son OPEN WEIGHT, pero no se ha publicado ninguna cuenta de parámetros para él. Cada figura de MEMORY y velocidad comienza a partir de ese número, así que preferiríamos no mostrar nada que una estimación fabricada..
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
- Flatiron Institute,University of California San Diego,Jagiellonian University,New York University (NYU),Broad Institute,University of Auckland,Massachusettes General Hospital,Harvard Medical School,Massachusetts Institute of Technology (MIT)
- Tipo de Organización
- Academia,Academia,Academia,Research collective,Academia,Academia,Academia
- País
- United States of America, Poland, New Zealand
- Publicado
- 26 May 2021
- Autores
- Vladimir Gligorijević, P. Douglas Renfrew, Tomasz Kosciolek, Julia Koehler Leman, Daniel Berenberg, Tommi Vatanen, Chris Chandler, Bryn C. Taylor, Ian M. Fisk, Hera Vlamakis, Ramnik J. Xavier, Rob Knight, Kyunghyun Cho & Richard Bonneau
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Biology
- Tarea
- Protein function 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
30k PDB + 220k SWISS-MODEL = 250k 250k * 0.8 = 200k
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
- Open — downloadable
- Acceso al modelo
- Open weights (unrestricted)
- Código de entrenamiento
- Open source
The source code for training the DeepFRI model, together with neural network weights are available for research and non-commercial use at https://github.com/flatironinstitute/DeepFRI (BSD-3-Clause license) and it can be cited by using https://doi.org/10.5281/zenodo.4650027. A web service of our method is available at https://beta.deepfri.flatironinstitute.org/
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
- Citas
- 786
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Structure-based protein function prediction using graph convolutional networks
- Última actualización
- 1 January 2026
Qué significan los números
De dónde vino
DeepFRI fue publicado por Flatiron Institute,University of California San Diego,Jagiellonian University,New York University (NYU),Broad Institute,University of Auckland,Massachusettes General Hospital,Harvard Medical School,Massachusetts Institute of Technology (MIT), en el país registrado como United States of America, durante May 2021. La categoría en la que se encuentra el editor es academia,Academia,Academia,Research collective,Academia,Academia,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein function prediction.
Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado.
Respuestas
DeepFRI — preguntas comunes
DeepFRI— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein function prediction. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
DeepFRI— ¿Dónde puedo descargarlo?
Los pesos están publicados, aunque no tenemos un enlace de repositorio para ello. Este sitio calcula los requisitos de hardware en lugar de alojar archivos de modelo.
DeepFRI— ¿Qué GPU necesito para ejecutarlo?
No podemos decir. Tiene pesos abiertos, pero no se ha publicado ningún conteo de parámetros para él, y todos los cálculos de memoria y velocidad comienzan desde ese número. Preferiríamos no mostrar nada que una estimación fabricada.
DeepFRI— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
DeepFRI— ¿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.
DeepFRI— ¿Quién lo creó?
Fue publicado por Flatiron Institute,University of California San Diego,Jagiellonian University,New York University (NYU),Broad Institute,University of Auckland,Massachusettes General Hospital,Harvard Medical School,Massachusetts Institute of Technology (MIT), basado en United States of America, una organización categorizada como academia,Academia,Academia,Research collective,Academia,Academia,Academia.
DeepFRI— ¿cuándo fue lanzado?
Se publicó en May 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.
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.