EPInformer
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- The University of Hong Kong,Harvard Medical School
- Tipo di organizzazione
- Academia,Academia
- Paese
- Hong Kong, United States of America
- Pubblicato
- 1 August 2024
- Autori
- Jiecong Lin, Ruibang Luo, Luca Pinello
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Gene expression profile generation
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 447.1K
- Dati di addestramento
- tokens
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 3.4 × 10¹⁷ FLOP
1*60*60*312000000000000*0.3=3.3696e+17
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA A100
- Chip utilizzati
- 1
- Tempo di parete
- 1 hours
- Consumo energetico
- 433 W
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 2
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- EPInformer: a scalable deep learning framework for gene expression prediction by integrating promoter-enhancer sequences with multimodal epigenomic data
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
EPInformer è stato pubblicato da The University of Hong Kong,Harvard Medical School, nel paese registrato come Hong Kong, durante August 2024. L'organizzazione di pubblicazione è classificata come academia,Academia.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di gene expression profile generation.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Addestramento e provenienza
La produzione di esso ha richiesto un'aritmetica totale di circa 3.4 × 10¹⁷ FLOP, su hardware registrato come NVIDIA A100. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
EPInformer — domande comuni
EPInformer— quanti parametri ha?
Ha un numero di parametri di 447.1K. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
EPInformer— chi l'ha creato?
È stato pubblicato da The University of Hong Kong,Harvard Medical School, basato su Hong Kong, un'organizzazione categorizzata come academia,Academia.
EPInformer— quando è stato rilasciato?
È stato pubblicato in August 2024. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
EPInformer— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di gene expression profile generation. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
EPInformer— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.4 × 10¹⁷ FLOP, su hardware registrato come NVIDIA A100. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
EPInformer— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
EPInformer— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.