DeepLoc
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul vostro hardware a qualsiasi dimensione. È accessibile solo attraverso il suo fornitore, e nessuna scheda grafica può cambiare questo.
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
- Technical University of Denmark,University of Copenhagen
- Tipo di organizzazione
- Academia,Academia
- Paese
- Denmark
- Pubblicato
- 7 July 2017
- Autori
- José Juan Almagro Armenteros, Casper Kaae Sønderby, Søren Kaae Sønderby, Henrik Nielsen, Ole Winther
Cosa fa
Le aree problematiche per cui è stato costruito il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein localization 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
- tokens
- Epoche
- 150
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
- 5.8 × 10¹⁷ FLOP
- Come è stato stabilito
- Hardware
6691000000000 FLOP / GPU / sec [Titan X reported] * 1 GPU [assumed] * 80 hours * 3600 sec / hour * 0.3 [assumed utilization] = 5.781024e+17 FLOP
Il training run
Cosa è stato fisicamente necessario per addestrare: quali chip, quanti, per quanto tempo e cosa ha richiesto dalla rete elettrica.
- Hardware di addestramento
- NVIDIA GeForce GTX TITAN X
- Chips used
- 1
- Tempo di orologio muro
- 80 hours
- Consumo energetico
- 287 W
"The training time for the full ensemble was 80 hours, approximately five hours per model. "
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
- Closed — provider access only
- Accesso al modello
- Hosted access (no API)
- Codice di addestramento
- Unreleased
The method is available as a web server at http://www.cbs.dtu.dk/services/DeepLoc. Example code is available at https://github.com/JJAlmagro/subcellular_localization. The dataset is available at http://www.cbs.dtu.dk/services/DeepLoc/data.php.
Come è classificato
Etichette che il dataset sorgente applica quando si monitorano modelli notevoli e quanto è fiducioso nell'entry.
- Perché viene tracciato
- SOTA improvement
- Registrare fiducia
- Likely
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- DeepLoc: prediction of protein subcellular localization using deep learning
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
DeepLoc was published by Technical University of Denmark,University of Copenhagen, in Denmark, in July 2017. It comes out of academia,Academia.
It works in Biology, and is recorded as doing protein localization prediction.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda grafica cambia ciò.
Come è stato addestrato
Training it took roughly 5.8 × 10¹⁷ FLOP of computation, on NVIDIA GeForce GTX TITAN X — a measure of what producing the model cost, not of how fast it answers.
Its inclusion criterion is sOTA improvement.
Risposte
DeepLoc — Domande frequenti
Who created DeepLoc?
DeepLoc was published by Technical University of Denmark,University of Copenhagen, based in Denmark, categorised as academia,Academia.
When was DeepLoc released?
DeepLoc was published in July 2017. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
A cosa serve DeepLoc?
DeepLoc works in Biology, and is recorded as handling protein localization prediction. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train DeepLoc?
Around 5.8 × 10¹⁷ FLOP, on NVIDIA GeForce GTX TITAN X. 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 DeepLoc?
None. DeepLoc is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is DeepLoc open source?
No. DeepLoc has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does DeepLoc have?
No parameter count has been published for DeepLoc, which is why no memory or speed figure appears on this page.
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.