GraSR
Nincs becslés
Nincs hardver követelmény ennek a modellnek
Ez a modell súlyai nyilvánosak, de a paraméterszámokat nem tették közzé. Minden memória- és sebességszám ebből a számból indul, ezért inkább nem mutatunk semmit, mint egy hamisított becslést..
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
- Shanghai Jiao Tong University,Ministry of Education of China
- Szervezet típusa
- Academia,Government
- Ország
- China
- Közölt
- 24 March 2022
- Szerzők
- Chunqiu Xia, Shi-Hao Feng, Ying Xia, Xiaoyong Pan, Hong-Bin Shen
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Biology
- Feladat
- Protein structure comparison
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
- 13,265 tokens
SCOPe v2.07 Dataset: Total PDB Entries: 87,224 Total Domains: 276,231 Training Set Size = Total Domains - Cross-Validation Domains Training Set Size = 276,231 - 13,265 = 262,966 domains
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
- 3.8 × 10¹⁸ FLOP
- Hogyan jött létre
- Hardware
1. Hardware setup: 2x TITAN Xp GPUs (1.10×10¹³ FLOP/s each) 2. Training duration: Estimated 5 days (432,000 seconds) based on "several days" mention -> "Likely" confidence 3. Utilization rate: 40% 4. Calculation: 2 GPUs × 1.10×10¹³ FLOP/s × 432,000s × 0.40 = 3.8×10¹⁸ FLOPs
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA TITAN Xp
- Használt chipek
- 2
- Fali óra idő
- 120 hours
- Teljesítményfogyasztás
- 1.0 kW
"The whole GraSR model is trained on two TITAN Xp Graphics Cards, and the training procedure took several days." Estimated 5 days (432,000 seconds) based on "several days" mention
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
- Open — downloadable
- Modell hozzáférés
- Open weights (unrestricted)
- Képzés kód
- Open (non-commercial)
The data and source code can be found at https://github.com/chunqiux/GraSR (GPL-3.0 license). In addition, we also archive it on Zenodo (https://doi.org/10.5281/zenodo.5338957). "The GraSR parameters are made availabe under a Creative Commons Attribution 4.0 International License."
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Likely
- Hivatkozások
- 28
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Fast protein structure comparison through effective representation learning with contrastive graph neural networks
- Utoljára frissítve
- 1 January 2026
Mit jelentenek a számok
Honnan jött
GraSR ki lett adva által Shanghai Jiao Tong University,Ministry of Education of China, az országban rögzítve mint China, alatt March 2022. A kiadó kategóriája alá tartozik academia,Government.
Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása protein structure comparison.
A súlyok közzétéve vannak, így letölthető és futtatható a saját hardveren határozatlan ideig, offline, felhasználói fiók nélkül.
Mi került a felépítésébe
A képzés futás körülbelül 3.8 × 10¹⁸ FLOP, hardveren rögzítve NVIDIA TITAN Xp. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A tanító készlet kb. futott 13,265 szöveg tokenjei
Válaszok
GraSR — gyakori kérdések
GraSR— Hol tudom letölteni?
A súlyok közzététele megtörtént, bár nem rendelkezünk tárolólinkkel erre. Ez az oldal a hardverkövetelményeket számítja ki, nem pedig modellfájlokat tárol.
GraSR— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 3.8 × 10¹⁸ FLOP, hardveren rögzítve NVIDIA TITAN Xp. 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.
GraSR— Milyen GPU-ra van szükségem, hogy futtathassam?
Nem tudjuk megmondani. Nyílt súlyai vannak, de a paraméterek számát nem tették közzé, és minden memória- és sebességszámítás ebből a számból indul. Inkább nem mutatunk semmit, mint egy hamisított becslést.
GraSR— Nyílt forráskódú?
Súlyai közzétételre kerültek, így letölthető és futtatható a saját hardvereden. Ne feledd, hogy az open weight nem azonos az open source teljes értelmében — nem mond semmit a tanulási adatokkal, a tanulási kóddal vagy a kereskedelmi feltételekkel kapcsolatban.
GraSR— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
GraSR— Ki készítette ezt?
Kiadta Shanghai Jiao Tong University,Ministry of Education of China, alapján China, egy szervezet, amelyet kategorizáltak mint academia,Government.
GraSR— Mikor adták ki?
Kibocsátották a March 2022. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
GraSR— Mire használják?
Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot protein structure comparison. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
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..