ProtENN2
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
- European Bioinformatics Institute,University of Cambridge,Google Research
- Tipo de Organización
- Research collective,Academia,Industry
- País
- Multinational, United Kingdom of Great Britain and Northern Ireland, United States of America
- Publicado
- 18 September 2024
- Autores
- Irina Ponamareva, Antonina Andreeva, Maxwell L Bileschi, Lucy Colwell, Alex Bateman
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 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.
- Datos de entrenamiento
- tokens
Total datapoints = 23,910,108,270 residues = 2.391 × 10¹⁰ Calculation: Single value from training database, no additions or multiplications needed.
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
- Unreleased
Apache 2.0 for code (I suppose it is inference code only, I don't see pre-training code): https://github.com/iponamareva/ProtCNNSim CC BY 4.0 https://zenodo.org/records/10091910
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
- Investigation of protein family relationships with deep learning
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
ProtENN2 fue publicado por European Bioinformatics Institute,University of Cambridge,Google Research, en el país registrado como Multinational, durante September 2024. Sale de una organización categorizada como research collective,Academia,Industry.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein 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.
Respuestas
ProtENN2 — preguntas comunes
ProtENN2— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein classification. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
ProtENN2— ¿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.
ProtENN2— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
ProtENN2— ¿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.
ProtENN2— ¿Quién lo creó?
Fue publicado por European Bioinformatics Institute,University of Cambridge,Google Research, basado en Multinational, una organización categorizada como research collective,Academia,Industry.
ProtENN2— ¿cuándo fue lanzado?
Se publicó en September 2024. 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.