DeepLoc
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
- 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 progettato 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 la cifra che decide se si adatta a una determinata scheda grafica.
- Dati di addestramento
- tokens
- Epoche
- 150
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
- 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
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 GeForce GTX TITAN X
- Chip utilizzati
- 1
- Tempo di parete
- 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 farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- 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 del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- SOTA improvement
- Record 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 è stato pubblicato da Technical University of Denmark,University of Copenhagen, nel paese registrato come Denmark, durante July 2017. Esce da un'organizzazione categorizzata come academia,Academia.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein localization prediction.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Come è stato addestrato
Il training ha richiesto un budget di calcolo di circa 5.8 × 10¹⁷ FLOP, su hardware registrato come NVIDIA GeForce GTX TITAN X. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il suo criterio di inclusione: sOTA improvement.
Risposte
DeepLoc — domande comuni
DeepLoc— chi l'ha creato?
È stato pubblicato da Technical University of Denmark,University of Copenhagen, basato su Denmark, un'organizzazione categorizzata come academia,Academia.
DeepLoc— quando è stato rilasciato?
È stato pubblicato in July 2017. 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.
DeepLoc— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein localization prediction. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
DeepLoc— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 5.8 × 10¹⁷ FLOP, su hardware registrato come NVIDIA GeForce GTX TITAN X. 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.
DeepLoc— 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.
DeepLoc— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
DeepLoc— 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.
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.