trRosetta
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle sont open, mais aucun compte de paramètres n'a été publié pour celui-ci. Chaque chiffre de mémoire et de vitesse commence à partir de ce nombre, donc nous préférerions ne rien montrer plutôt qu'une estimation fabriquée..
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
- Nankai University,University of Washington,Tianjin University,Harvard University
- Type d'organisation
- Academia,Academia,Academia,Academia
- Pays
- China, United States of America
- Publié
- 22 August 2019
- Auteurs
- Jianyi Yanga, Ivan Anishchenko, Hahnbeom Parkb, Zhenling Peng, Sergey Ovchinnikov, David Baker
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Biology
- Tâche
- Protein folding prediction
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.
- Données d'entraînement
- tokens
- Époques
- 100
"resulting in a set of 16,047 proteinchains with the average length of 250 amino acids " 16047*250 = 4011750 "Each trainingepoch runs through the whole training set, and 100 epochs are performed intotal."
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
- 3.8 × 10¹⁹ FLOP
- Comment cela a été établi
- Hardware
32620000000000 FLOP / GPU / sec [Nvidia Titan RTX, FP16 assumed] * 1 GPU * 1080 hours [see training time notes] * 3600 sec / hour * 0.3 [assumed utilization] = 3.8047968e+19 FLOP
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 TITAN RTX
- Chips utilisés
- 1
- Temps en temps réel
- 1,080 hours (45 days)
- Consommation d'énergie
- 316 W
"We train 5 networks with random 95/5%training/validation splits and use the average over the 5 networks as the finalprediction. Training a single network takes ∼9 d on one NVIDIA Titan RTX GPU" 9 days * 24 hours * 5 networks = 1080 hours
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Open — downloadable
- Accès au modèle
- Open weights (unrestricted)
- Code d'entraînement
- Open source
MIT license
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.
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- Confident
"On benchmarktests on 13th Community-Wide Experiment on the Critical Assess-ment of Techniques for Protein Structure Prediction (CASP13)-and Continuous Automated Model Evaluation (CAMEO)-derivedsets, the method outperforms all previously described structure-prediction methods."
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Improved protein structure prediction using predictedinterresidue orientations
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
trRosetta a été publié par Nankai University,University of Washington,Tianjin University,Harvard University, dans le pays enregistré comme China, durant August 2019. Cela provient d'une organisation classée comme academia,Academia,Academia,Academia.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de protein folding prediction.
Les poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel indéfiniment, hors ligne, sans compte associé.
Entraînement et provenance
La production a nécessité des calculs totalisant environ 3.8 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA TITAN RTX. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Son critère d'inclusion : sOTA improvement.
Réponses
trRosetta — questions courantes
trRosetta— est-ce que c'est open source ?
Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.
trRosetta— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
trRosetta— qui l'a créé ?
Il a été publié par Nankai University,University of Washington,Tianjin University,Harvard University, basé sur China, une organisation catégorisée comme academia,Academia,Academia,Academia.
trRosetta— quand a-t-il été publié ?
Il a été publié dans August 2019. 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.
trRosetta— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de protein folding prediction. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
trRosetta— où puis-je le télécharger ?
Les poids sont publiés, bien que nous ne possédions pas de lien vers un dépôt pour cela. Ce site calcule les exigences matérielles plutôt que d'héberger des fichiers de modèle.
trRosetta— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.8 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA TITAN RTX. 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.
trRosetta— Quelle GPU ai-je besoin pour l'exécuter ?
Nous ne pouvons pas dire. Il a des poids ouverts, mais aucun compte de paramètres n'a été publié pour cela, et chaque calcul de mémoire et de vitesse part de ce nombre. Nous préférerions ne rien montrer plutôt qu'une estimation fabriquée.
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.