ProteinGAN
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
- Vilnius University,Chalmers University of Technology
- Tipo di organizzazione
- Academia,Academia
- Paese
- Lithuania, Sweden
- Pubblicato
- 4 March 2021
- Autori
- 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
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Proteins, Protein generation
- Approccio
- Unsupervised
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
- 60M
- Dati di addestramento
- 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
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
- 4.3 × 10¹⁸ FLOP
- Come è stato stabilito
- Hardware
2.5 million steps, batch size 64, 210 hours on NVIDIA Tesla P100 system
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 P100
- Chip utilizzati
- 1
- Chip-ore
- 210
- Tempo di parete
- 210 hours (8.8 days)
- Consumo energetico
- 279 W
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Expanding functional protein sequence spaces using generative adversarial networks
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Sfondo
ProteinGAN è stato pubblicato da Vilnius University,Chalmers University of Technology, nel paese registrato come Lithuania, durante March 2021. La categoria sotto cui rientra l'editore è academia,Academia.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di proteins, Protein generation.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Come è stato addestrato
La produzione di esso ha richiesto un'aritmetica totale di circa 4.3 × 10¹⁸ FLOP, su hardware registrato come NVIDIA P100. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
ProteinGAN — domande comuni
ProteinGAN— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di proteins, Protein generation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
ProteinGAN— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 4.3 × 10¹⁸ FLOP, su hardware registrato come NVIDIA P100. 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.
ProteinGAN— 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.
ProteinGAN— 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.
ProteinGAN— quanti parametri ha?
Ha un numero di parametri di 60M. "The final architecture of the network comprised 45 layers with over 60 million trainable parameters". 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.
ProteinGAN— chi l'ha creato?
È stato pubblicato da Vilnius University,Chalmers University of Technology, basato su Lithuania, un'organizzazione categorizzata come academia,Academia.
ProteinGAN— quando è stato rilasciato?
È stato pubblicato in March 2021. 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.
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.