ProteinGAN
Nincs becslés
Ennekhez a modellhez nincs hardverkövetelmény
A modellhez tartozó súlyokat nem tették közzé, így azt semmilyen méretben nem lehet letölteni vagy saját hardveren futtatni. Csak az adattovábbítóján keresztül érhető el, és semmilyen grafikus kártya nem változtat ezen..
Felvételen
Teljes specifikáció
Minden adatok ezen a modellen. A legtöbb leírás arról szól, hogyan volt kiképzve, nem pedig arról, hogyan fut — hasznos háttérinformáció arra vonatkozóan, hogy mennyi munka került bele, és hogyan viszonyul más méretű modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Vilnius University,Chalmers University of Technology
- Szervezet típusa
- Academia,Academia
- Ország
- Lithuania, Sweden
- Kiadva
- 4 March 2021
- Szerzők
- 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
Mit csinál
A modell által épített probléma területek. Egy modell több különbözőt is tartalmazhat.
- Irányítószám
- Biology
- Feladat
- Proteins, Protein generation
- Approach
- Unsupervised
Méret
Mekkora a modell és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek meghatározzák, hogy illeszkedik-e egy adott grafikus kártyára.
- Paraméterek
- 60M
- Képzési adatok
- 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
Képzés számítás
A modell betanításához végzett aritmetikai műveletek, amelyet lebegőpontos műveletekben mérnek. Ez a tréning futásának költségét méri, nem azt, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 4.3 × 10¹⁸ FLOP
- Hogyan jött létre
- Hardware
2.5 million steps, batch size 64, 210 hours on NVIDIA Tesla P100 system
A képzési futam
A kiképzéshez fizikailag szükséges volt: milyen chipek, hány, meddig és mennyi áramot vett le a hálózatról.
- Képzési hardver
- NVIDIA P100
- Felhasznált chipek
- 1
- Chip-hours
- 210
- Wall-clock time
- 210 hours (8.8 days)
- Energiafogyasztás
- 279 W
Hogyan van besorolva
Címkék, amelyeket a forráshalmaz alkalmaz, amikor figyelemmel kíséri a figyelemre méltó modelleket, és mennyire biztos a bejegyzésben.
- Rögzítési bizalom
- Confident
Források
Honnan származik ez a rekord és mikor ellenőrizték utoljára.
- Referencia
- Expanding functional protein sequence spaces using generative adversarial networks
- Utoljára frissítve
- 28 November 2025
Mit jelentek a számok
Background
ProteinGAN was published by Vilnius University,Chalmers University of Technology, in Lithuania, in March 2021. academia,Academia is the category the publisher falls under.
It works in Biology, and is recorded as doing proteins, Protein generation.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Hogyan lett betanítva
Producing it required around 4.3 × 10¹⁸ FLOP of arithmetic, on NVIDIA P100, which is a statement about the training budget rather than about inference.
Válaszok
ProteinGAN — Gyakran ismételt kérdések
What is ProteinGAN used for?
ProteinGAN works in Biology, and is recorded as handling proteins, Protein generation. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train ProteinGAN?
Around 4.3 × 10¹⁸ FLOP, on NVIDIA P100. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run ProteinGAN?
None. ProteinGAN is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is ProteinGAN open source?
The licensing for ProteinGAN was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does ProteinGAN have?
ProteinGAN has 60M parameters. "The final architecture of the network comprised 45 layers with over 60 million trainable parameters". That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created ProteinGAN?
ProteinGAN was published by Vilnius University,Chalmers University of Technology, based in Lithuania, categorised as academia,Academia.
When was ProteinGAN released?
ProteinGAN was published in March 2021. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már rendelkezik egy kártyával és szeretné tudni, hogy minden mit fog futtatni, kérjük, folytassa., kezdje a hardverrel inkább.