GGNN
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Westlake University,Tsinghua University,Toyota Technological Institute at Chicago
- Szervezet típusa
- Academia,Academia,Academia
- Ország
- China, United States of America
- Közölt
- 5 August 2023
- Szerzők
- Fang Wu, Lirong Wu, Dragomir Radev, Jinbo Xu and Stan Z. Li
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Biology
- Feladat
- Proteins, Protein interaction prediction, Protein protein binding affinity prediction, Protein representation learning
- Alapmodell
- ESM2-650M
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Képzési adatok
- tokens
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 7.6 × 10²¹ FLOP
- Hogyan jött létre
- Other
ESM-2 650M is very likely the majority of FLOPs, since they only used 2 A100s (ESM-2 650M used 512 V100s for 8 days). As such I'm reporting the compute from ESM-2 650M here only.
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA A100 SXM4 80 GB
- Használt chipek
- 2
- Teljesítményfogyasztás
- 1.6 kW
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Closed — provider access only
- Modell hozzáférés
- Unreleased
- Képzés kód
- Open source
MIT license https://github.com/smiles724/GNN-Bottleneck
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- SOTA improvement
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 43
"In this work, we integrate the knowledge learned by well-trained protein language models into several state-of-the-art geometric networks and evaluate a variety of protein representation learning benchmarks, including protein-protein interface prediction, model quality assessment, protein-protein rigid-body docking, and binding affinity prediction. Our findings show an overall improvement of 20% over baselines."
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Integration of pre-trained protein language models into geometric deep learning networks
- Utoljára frissítve
- 1 January 2026
Mit jelentenek a számok
Háttér
GGNN ki lett adva által Westlake University,Tsinghua University,Toyota Technological Institute at Chicago, az országban rögzítve mint China, alatt August 2023. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Academia,Academia.
Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása proteins, Protein interaction prediction, Protein protein binding affinity prediction, Protein representation learning.
Ahelyett, hogy nulláról lenne betanítva, az származik ESM2-650M. Ezért osztja a bázismodell általános formáját és méretét.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Mi került a felépítésébe
A betanításhoz körülbelül egy számítási költségvetés kellett 7.6 × 10²¹ FLOP, hardveren rögzítve NVIDIA A100 SXM4 80 GB. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Egy különös okból nyomon követik az alapul szolgáló adatbázisban: sOTA improvement.
Válaszok
GGNN — gyakori kérdések
GGNN— Mire használják?
Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot proteins, Protein interaction prediction, Protein protein binding affinity prediction, Protein representation learning. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
GGNN— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 7.6 × 10²¹ FLOP, hardveren rögzítve NVIDIA A100 SXM4 80 GB. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
GGNN— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
GGNN— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
GGNN— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
GGNN— Ki készítette ezt?
Kiadta Westlake University,Tsinghua University,Toyota Technological Institute at Chicago, alapján China, egy szervezet, amelyet kategorizáltak mint academia,Academia,Academia.
GGNN— Mikor adták ki?
Kibocsátották a August 2023. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..