trRosetta
Geen schatting
Geen hardware-eisen voor dit model
Dit model's gewichten zijn open-source, maar er is geen parameter aantal gepubliceerd. Elk geheugen- en snelheidsfiguur begint vanaf dat nummer, dus we geven liever niets weer dan een gefabriceerde schatting..
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
- Nankai University,University of Washington,Tianjin University,Harvard University
- Organisatietype
- Academia,Academia,Academia,Academia
- Land
- China, United States of America
- Gepubliceerd
- 22 August 2019
- Auteurs
- Jianyi Yanga, Ivan Anishchenko, Hahnbeom Parkb, Zhenling Peng, Sergey Ovchinnikov, David Baker
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Protein folding prediction
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.
- Training gegevens
- tokens
- Epochs
- 100
"resulting in a set of 16,047 proteinchains with the average length of 250 amino acids " 16047*250 = 4011750 "Each trainingepoch runs through the whole training set, and 100 epochs are performed intotal."
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
- 3.8 × 10¹⁹ FLOP
- Hoe het werd opgericht
- Hardware
32620000000000 FLOP / GPU / sec [Nvidia Titan RTX, FP16 assumed] * 1 GPU * 1080 hours [see training time notes] * 3600 sec / hour * 0.3 [assumed utilization] = 3.8047968e+19 FLOP
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA TITAN RTX
- Gebruikte chips
- 1
- Kloktijd
- 1,080 hours (45 days)
- Stroomverbruik
- 316 W
"We train 5 networks with random 95/5%training/validation splits and use the average over the 5 networks as the finalprediction. Training a single network takes ∼9 d on one NVIDIA Titan RTX GPU" 9 days * 24 hours * 5 networks = 1080 hours
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
- Open — downloadable
- Toegang tot model
- Open weights (unrestricted)
- Training code
- Open source
MIT license
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.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Confident
"On benchmarktests on 13th Community-Wide Experiment on the Critical Assess-ment of Techniques for Protein Structure Prediction (CASP13)-and Continuous Automated Model Evaluation (CAMEO)-derivedsets, the method outperforms all previously described structure-prediction methods."
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Improved protein structure prediction using predictedinterresidue orientations
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
trRosetta werd gepubliceerd door Nankai University,University of Washington,Tianjin University,Harvard University, in het land geregistreerd als China, tijdens August 2019. Het komt uit een organisatie gecategoriseerd als academia,Academia,Academia,Academia.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein folding prediction.
De gewichten zijn gepubliceerd, zodat ze gedownload en onbeperkt, offline, op je eigen hardware kunnen worden uitgevoerd, zonder dat er een account aan verbonden is.
Training en herkomst
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 3.8 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA TITAN RTX. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
De inclusiecriteria: sOTA improvement.
Antwoorden
trRosetta — veelgestelde vragen
trRosetta— is het open-source?
De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.
trRosetta— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
trRosetta— wie heeft het gemaakt?
Het werd gepubliceerd door Nankai University,University of Washington,Tianjin University,Harvard University, gebaseerd op China, een organisatie geclassificeerd als academia,Academia,Academia,Academia.
trRosetta— wanneer is het uitgebracht?
Het werd gepubliceerd in August 2019. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
trRosetta— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein folding prediction. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
trRosetta— waar kan ik het downloaden?
De gewichten zijn gepubliceerd, hoewel we geen repositorylink daarvoor hebben. Deze site berekent hardwarevereisten in plaats van modelbestanden te hosten.
trRosetta— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.8 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA TITAN RTX. 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.
trRosetta— Welke GPU heb ik nodig om het te draaien?
We kunnen niets zeggen. Het heeft open weights, maar er is geen parameter telling gepubliceerd voor het, en elke memory en snelheid berekening begint vanaf dat nummer. We tonen liever niets dan een gefabriceerde schatting.
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.