GraSR
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello sono open weight, ma non è stato pubblicato alcun conteggio dei parametri. Ogni figura di memory e velocità parte da quel numero, quindi preferiremmo non mostrare nulla piuttosto che una stima fabbricata..
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
- Shanghai Jiao Tong University,Ministry of Education of China
- Tipo di organizzazione
- Academia,Government
- Paese
- China
- Pubblicato
- 24 March 2022
- Autori
- Chunqiu Xia, Shi-Hao Feng, Ying Xia, Xiaoyong Pan, Hong-Bin Shen
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein structure comparison
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.
- Dati di addestramento
- 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
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
- 3.8 × 10¹⁸ FLOP
- Come è stato stabilito
- 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
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 TITAN Xp
- Chip utilizzati
- 2
- Tempo di parete
- 120 hours
- Consumo energetico
- 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
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Open — downloadable
- Accesso al modello
- Open weights (unrestricted)
- Codice di addestramento
- 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."
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Likely
- Citazioni
- 28
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Fast protein structure comparison through effective representation learning with contrastive graph neural networks
- Ultimo aggiornamento
- 1 January 2026
Cosa significano i numeri
Da dove è venuto
GraSR è stato pubblicato da Shanghai Jiao Tong University,Ministry of Education of China, nel paese registrato come China, durante March 2022. La categoria sotto cui rientra l'editore è academia,Government.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein structure comparison.
I pesi sono pubblicati, quindi possono essere scaricati e eseguiti sul proprio hardware indefinitamente, offline, senza un account associato.
Cosa è stato necessario per costruirlo
Il run di addestramento ha consumato circa 3.8 × 10¹⁸ FLOP, su hardware registrato come NVIDIA TITAN Xp. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il set di addestramento si aggirava attorno a 13,265 token di testo
Risposte
GraSR — domande comuni
GraSR— Dove posso scaricarlo?
I pesi sono pubblicati, anche se non abbiamo un link al repository per essi. Questo sito calcola i requisiti hardware anziché ospitare file di modello.
GraSR— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.8 × 10¹⁸ FLOP, su hardware registrato come NVIDIA TITAN Xp. 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.
GraSR— che GPU ho bisogno per eseguirlo?
Non possiamo dire. Ha pesi aperti, ma non è stato pubblicato alcun conteggio dei parametri per esso, e ogni calcolo di memoria e velocità parte da quel numero. Preferiremmo non mostrare nulla piuttosto che una stima fabbricata.
GraSR— è open-source?
I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.
GraSR— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
GraSR— chi l'ha creato?
È stato pubblicato da Shanghai Jiao Tong University,Ministry of Education of China, basato su China, un'organizzazione categorizzata come academia,Government.
GraSR— quando è stato rilasciato?
È stato pubblicato in March 2022. 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.
GraSR— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein structure comparison. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
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.