ProteinGAN
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Vilnius University,Chalmers University of Technology
- Type d'organisation
- Academia,Academia
- Pays
- Lithuania, Sweden
- Publié
- 4 March 2021
- Auteurs
- 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
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Biology
- Tâche
- Proteins, Protein generation
- Approche
- Unsupervised
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 60M
- Données d'entraînement
- 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
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 4.3 × 10¹⁸ FLOP
- Comment cela a été établi
- Hardware
2.5 million steps, batch size 64, 210 hours on NVIDIA Tesla P100 system
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA P100
- Chips utilisés
- 1
- Heures de puce
- 210
- Temps en temps réel
- 210 hours (8.8 days)
- Consommation d'énergie
- 279 W
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Expanding functional protein sequence spaces using generative adversarial networks
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
ProteinGAN a été publié par Vilnius University,Chalmers University of Technology, dans le pays enregistré comme Lithuania, durant March 2021. La catégorie à laquelle appartient l'éditeur est academia,Academia.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de proteins, Protein generation.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Comment il a été entraîné
La production a nécessité des calculs totalisant environ 4.3 × 10¹⁸ FLOP, sur matériel enregistré comme NVIDIA P100. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
ProteinGAN — questions courantes
ProteinGAN— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de proteins, Protein generation. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
ProteinGAN— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 4.3 × 10¹⁸ FLOP, sur matériel enregistré comme NVIDIA P100. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
ProteinGAN— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
ProteinGAN— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
ProteinGAN— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 60M. "The final architecture of the network comprised 45 layers with over 60 million trainable parameters". Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
ProteinGAN— qui l'a créé ?
Il a été publié par Vilnius University,Chalmers University of Technology, basé sur Lithuania, une organisation catégorisée comme academia,Academia.
ProteinGAN— quand a-t-il été publié ?
Il a été publié dans March 2021. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.