trRosetta
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
- Nankai University,University of Washington,Tianjin University,Harvard University
- Szervezet típusa
- Academia,Academia,Academia,Academia
- Ország
- China, United States of America
- Közölt
- 22 August 2019
- Szerzők
- Jianyi Yanga, Ivan Anishchenko, Hahnbeom Parkb, Zhenling Peng, Sergey Ovchinnikov, David Baker
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Biology
- Feladat
- Protein folding prediction
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
- Epochok
- 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."
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 × 10¹⁹ FLOP
- Hogyan jött létre
- 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
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA TITAN RTX
- Használt chipek
- 1
- Fali óra idő
- 1,080 hours (45 days)
- Teljesítményfogyasztás
- 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
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 source
MIT license
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
"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."
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Improved protein structure prediction using predictedinterresidue orientations
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Háttér
trRosetta ki lett adva által Nankai University,University of Washington,Tianjin University,Harvard University, az országban rögzítve mint China, alatt August 2019. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Academia,Academia,Academia.
Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása protein folding prediction.
A súlyok közzétéve vannak, így letölthető és futtatható a saját hardveren határozatlan ideig, offline, felhasználói fiók nélkül.
Képzés és származás
A létrehozásához körülbelül összesítő aritmetikára volt szükség. 3.8 × 10¹⁹ FLOP, hardveren rögzítve NVIDIA TITAN RTX. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A kiválasztási kritériuma: sOTA improvement.
Válaszok
trRosetta — gyakori kérdések
trRosetta— 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.
trRosetta— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
trRosetta— Ki készítette ezt?
Kiadta Nankai University,University of Washington,Tianjin University,Harvard University, alapján China, egy szervezet, amelyet kategorizáltak mint academia,Academia,Academia,Academia.
trRosetta— Mikor adták ki?
Kibocsátották a August 2019. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
trRosetta— Mire használják?
Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot protein folding prediction. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
trRosetta— Hol tudom letölteni?
A súlyok közzététele megtörtént, bár nem rendelkezünk tárolólinkkel erre. Ez az oldal a hardverkövetelményeket számítja ki, nem pedig modellfájlokat tárol.
trRosetta— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 3.8 × 10¹⁹ FLOP, hardveren rögzítve NVIDIA TITAN RTX. 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.
trRosetta— 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.
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..