DNCON2
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello sono aperti, ma nessun conteggio dei parametri è stato pubblicato. Ogni dato sulla memoria e sulla velocità parte da quel numero, quindi preferiamo non mostrare nulla piuttosto che una stima inventata.
In registrazione
Specifiche complete
Tutto ciò che riguarda questo modello. La maggior parte delle informazioni descrive come è stato addestrato piuttosto che come viene eseguito — un contesto utile per valutare la quantità di lavoro impiegata e come si confronta con modelli realizzati su scala diversa.
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- University of Missouri
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 1 May 2018
- Autori
- Badri Adhikari, Jie Hou, Jianlin Cheng
Cosa fa
Le aree problematiche per cui è stato costruito il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Proteins, Protein folding prediction
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono il valore che decide se si adatta a una determinata scheda grafica.
- Dati di addestramento
- 444,030,000 tokens
- Epoche
- 1,600
"Our raw feature files for all 1426 training proteins"
Addestramento computazionale
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto costato l'addestramento, non di quanto velocemente il modello finito ti risponde.
- Addestramento computazionale
- 9.5 × 10¹⁶ FLOP
- Come è stato stabilito
- Hardware
"Our training was conducted on Tesla K20 Nvidia GPUs each having 5 GB of GPU memory, on which, training one model took around 12 h." "We train each CNN for a total of 1600 epochs with each epoch of training taking around 2 min." Assumptions: peakFLOP rate 3.52e12FLOP/s (from: https://www.techpowerup.com/gpu-specs/tesla-k20c.c564) 30% utilization rate 1 GPU Estimate 1: "training one model took around 12h" => unclear how many GPUs (12 *3600) s * 3.52e12 FLOP/s * 0.3 = 4.5e16 FLOP Estimate 2: "…
Il training run
Cosa è stato fisicamente necessario per addestrare: quali chip, quanti, per quanto tempo e cosa ha richiesto dalla rete elettrica.
- Tempo di orologio muro
- 12 hours
"training one model took around 12 h"
Disponibilità
Se puoi ottenere il modello e eseguirlo sul tuo hardware, il che decide se una delle cifre della scheda grafica su questa pagina si applica.
- Pesi
- Open — downloadable
- Accesso al modello
- Open weights (unrestricted)
- Codice di addestramento
- Open source
license: https://github.com/multicom-toolbox/DNCON2?tab=GPL-3.0-1-ov-file#readme
Come è classificato
Etichette che il dataset sorgente applica quando si monitorano modelli notevoli e quanto è fiducioso nell'entry.
- Registrare fiducia
- Likely
- Citations
- 173
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- DNCON2: improved protein contact prediction using two-level deep convolutional neural networks
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
DNCON2 was published by University of Missouri, in United States of America, in May 2018. It comes out of academia.
It works in Biology, and is recorded as doing proteins, Protein folding prediction.
I pesi aperti sono ciò che mette questa pagina nel calcolatore piuttosto che solo nel catalogo: è un modello che puoi effettivamente tenere.
Come è stato addestrato
The training run consumed about 9.5 × 10¹⁶ FLOP. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
The training set ran to roughly 444,030,000 tokens.
Risposte
DNCON2 — Domande frequenti
How much compute was used to train DNCON2?
Around 9.5 × 10¹⁶ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run DNCON2?
We cannot say. DNCON2 has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
Is DNCON2 open source?
Its weights are published, so DNCON2 can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does DNCON2 have?
No parameter count has been published for DNCON2, which is why no memory or speed figure appears on this page.
Who created DNCON2?
DNCON2 was published by University of Missouri, based in United States of America, categorised as academia.
When was DNCON2 released?
DNCON2 was published in May 2018. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is DNCON2 used for?
DNCON2 works in Biology, and is recorded as handling proteins, Protein folding prediction. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
Where can I download DNCON2?
The weights for DNCON2 are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
L'altra direzione
Guardando la questione dall'altra parte?
Questa pagina inizia dal modello. Se possedete già una scheda e desiderate conoscere tutto ciò che può eseguire, inizia dall'hardware invece.