ProteinGAN
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
- Vilnius University,Chalmers University of Technology
- Tipo de Organización
- Academia,Academia
- País
- Lithuania, Sweden
- Publicado
- 4 March 2021
- Autores
- Donatas Repecka, Vykintas Jauniskis, Laurynas Karpus, Elzbieta Rembeza, Irmantas Rokaitis, Jan Zrimec, Simona Poviloniene, Audrius Laurynenas, Sandra Viknander, Wissam Abuajwa, Otto Savolainen, Rolandas Meskys, Martin K. M. Engqvist & Aleksej Zelezniak
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
- Enfoque
- Unsupervised
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
- 60M
- Datos de entrenamiento
- tokens
"The final architecture of the network comprised 45 layers with over 60 million trainable parameters"
16,706 × 319 = 5,329,214 tokens Total datapoints = 5.33 million tokens
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
- 4.3 × 10¹⁸ FLOP
- Cómo se estableció
- Hardware
2.5 million steps, batch size 64, 210 hours on NVIDIA Tesla P100 system
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 P100
- Chips utilizados
- 1
- Horas de chip
- 210
- Tiempo de reloj
- 210 hours (8.8 days)
- Consumo de energía
- 279 W
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
- Expanding functional protein sequence spaces using generative adversarial networks
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
ProteinGAN fue publicado por Vilnius University,Chalmers University of Technology, en el país registrado como Lithuania, durante March 2021. La categoría en la que se encuentra el editor es academia,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de proteins, Protein generation.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 4.3 × 10¹⁸ FLOP, en hardware registrado como NVIDIA P100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
ProteinGAN — preguntas comunes
ProteinGAN— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de proteins, Protein generation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
ProteinGAN— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 4.3 × 10¹⁸ FLOP, en hardware registrado como NVIDIA P100. 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.
ProteinGAN— ¿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.
ProteinGAN— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
ProteinGAN— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 60M. "The final architecture of the network comprised 45 layers with over 60 million trainable parameters". 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.
ProteinGAN— ¿Quién lo creó?
Fue publicado por Vilnius University,Chalmers University of Technology, basado en Lithuania, una organización categorizada como academia,Academia.
ProteinGAN— ¿cuándo fue lanzado?
Se publicó en March 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.