ProteinGAN
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Vilnius University,Chalmers University of Technology
- Organisatietype
- Academia,Academia
- Land
- Lithuania, Sweden
- Gepubliceerd
- 4 March 2021
- Auteurs
- 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
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Proteins, Protein generation
- Aanpak
- Unsupervised
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 60M
- Training gegevens
- 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
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 4.3 × 10¹⁸ FLOP
- Hoe het werd opgericht
- Hardware
2.5 million steps, batch size 64, 210 hours on NVIDIA Tesla P100 system
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA P100
- Gebruikte chips
- 1
- Chip-uren
- 210
- Kloktijd
- 210 hours (8.8 days)
- Stroomverbruik
- 279 W
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Record vertrouwen
- Confident
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Expanding functional protein sequence spaces using generative adversarial networks
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
ProteinGAN werd gepubliceerd door Vilnius University,Chalmers University of Technology, in het land geregistreerd als Lithuania, tijdens March 2021. De categorie waaronder de uitgever valt is academia,Academia.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van proteins, Protein generation.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Hoe het getraind werd
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 4.3 × 10¹⁸ FLOP, op hardware vastgelegd als NVIDIA P100. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
ProteinGAN — veelgestelde vragen
ProteinGAN— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van proteins, Protein generation. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
ProteinGAN— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 4.3 × 10¹⁸ FLOP, op hardware vastgelegd als NVIDIA P100. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
ProteinGAN— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
ProteinGAN— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
ProteinGAN— hoeveel parameters heeft het?
Het heeft een parameter telling van 60M. "The final architecture of the network comprised 45 layers with over 60 million trainable parameters". Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
ProteinGAN— wie heeft het gemaakt?
Het werd gepubliceerd door Vilnius University,Chalmers University of Technology, gebaseerd op Lithuania, een organisatie geclassificeerd als academia,Academia.
ProteinGAN— wanneer is het uitgebracht?
Het werd gepubliceerd in March 2021. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.