GraphMS
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of op uw eigen hardware worden uitgevoerd in welke omvang dan ook. Het is alleen toegankelijk via de provider, en geen grafische kaart verandert dat.
Op record
Volledige specificatie
Alles over dit model vastgelegd. Het meeste beschrijft hoe het getraind is in plaats van hoe het draait — nuttige context om te beoordelen hoeveel werk erin gestoken is en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd.
Oorsprong
Wie heeft dit model gebouwd, waar en wanneer het werd gepubliceerd.
- Organisatie
- Dalian University of Technology,Dongbei University of Technology,Baidu,China National Health Development Research Center
- Organisatie type
- Academia,Academia,Industry,Academia
- Land
- China
- Gepubliceerd
- 4 April 2021
- Authors
- Shicheng Cheng, Liang Zhang, Bo Jin, Qiang Zhang, Xinjiang Lu, Mao You, Xueqing Tian
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan er verschillende van elk bevatten.
- Domein
- Biology
- Taak
- Protein-ligand contact prediction
Grootte
Hoe groot het model is en hoeveel data erop is getraind. Parameters zijn de cijfers die bepalen of het op een bepaalde grafische kaart past.
- Opleidingsgegevens
- 963,423 tokens
- Epochs
- 10
Edges: Drug-Protein: 1,923 Drug-Disease: 199,214 Protein-Disease: 1,596,745 Drug-Drug: 10,036 Protein-Protein: 7,363 1,923 + 199,214 + 1,596,745 + 10,036 + 7,363 = 1,815,281 total edges Final estimate: 1.8 × 10⁶ "We trained the model for 10 epochs, where each epoch contained 100 steps."
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Model toegang
- Unreleased
- Trainingscode
- Unreleased
Hoe het is geclassificeerd
Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Vereiste vertrouwen
- Likely
- Citations
- 14
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- GraphMS: Drug Target Prediction Using Graph Representation Learning with Substructures
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
GraphMS was published by Dalian University of Technology,Dongbei University of Technology,Baidu,China National Health Development Research Center, in China, in April 2021. The organisation is categorised as academia,Academia,Industry,Academia.
It works in Biology, and is recorded as doing protein-ligand contact prediction.
Omdat de gewichten niet beschikbaar zijn, zijn geen van de hardwarecijfers elders op deze site op dit van toepassing.
Hoe het was getraind
The training set ran to roughly 963,423 tokens.
Antwoorden
GraphMS — Veelgestelde vragen
What GPU do I need to run GraphMS?
None. GraphMS 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 GraphMS open source?
No. GraphMS has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does GraphMS have?
No parameter count has been published for GraphMS, which is why no memory or speed figure appears on this page.
Who created GraphMS?
GraphMS was published by Dalian University of Technology,Dongbei University of Technology,Baidu,China National Health Development Research Center, based in China, categorised as academia,Academia,Industry,Academia.
When was GraphMS released?
GraphMS werd gepubliceerd in april 2021. De capaciteit per parameter is sindsdien aanzienlijk verbeterd, zodat een nieuwere model van dezelfde grootte vaak beter gebruik maakt van dezelfde hardware.
What is GraphMS used for?
GraphMS works in Biology, and is recorded as handling protein-ligand contact prediction. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
De andere richting
Vanuit het andere perspectief bekijken?
Deze pagina begint bij het model. Als u al een kaart bezit en alles wilt weten wat het zal uitvoeren, Begin liever bij de hardware.