MEGNet (molecule model)
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
- University of California San Diego
- Szervezet típusa
- Academia
- Ország
- United States of America
- Közölt
- 10 April 2019
- Szerzők
- Chi Chen, Weike Ye, Yunxing Zuo, Chen Zheng, Shyue Ping Ong
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Materials science
- Feladat
- Molecular property 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.
- Paraméterek
- 8.7K
- Képzési adatok
- 117,416 tokens
- Epochok
- 1,000
Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.dcux1bvmijlm
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
- 4.5 × 10¹⁷ FLOP
Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.c0h2t2icf5xr Assuming a single GPU (the model is quite small): 1.0e+3*100*1.1e+13*0.4=4.5e+17
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA GeForce GTX 1080 Ti
- Használt chipek
- 1
- Fali óra idő
- 28 hours
- Teljesítményfogyasztás
- 283 W
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Speculative
- Hivatkozások
- 1,301
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Graph Networks as a Universal Machine Learning Framework for Molecules and Crystals
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Erről a modelről
MEGNet (molecule model) ki lett adva által University of California San Diego, az országban rögzítve mint United States of America, alatt April 2019. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia.
Működik a területen a Materials science, és úgy van rögzítve, mint a feladat végrehajtása molecular property prediction.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Mi került a felépítésébe
A betanításhoz körülbelül egy számítási költségvetés kellett 4.5 × 10¹⁷ FLOP, hardveren rögzítve NVIDIA GeForce GTX 1080 Ti. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A képzés körülbelül egy korpuszt fogyasztott 117,416 szöveg tokenjei
Válaszok
MEGNet (molecule model) — gyakori kérdések
MEGNet (molecule model)— Mire használják?
Működik a területen a Materials science, és rögzítve van, hogy kezeli a feladatot molecular property prediction. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
MEGNet (molecule model)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 4.5 × 10¹⁷ FLOP, hardveren rögzítve NVIDIA GeForce GTX 1080 Ti. 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.
MEGNet (molecule model)— 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.
MEGNet (molecule model)— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
MEGNet (molecule model)— Hány paramétere van?
Paraméterszáma 8.7K. Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.dcux1bvmijlm. Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
MEGNet (molecule model)— Ki készítette ezt?
Kiadta University of California San Diego, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia.
MEGNet (molecule model)— Mikor adták ki?
Kibocsátották a April 2019. 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..