DeepLoc
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
- Technical University of Denmark,University of Copenhagen
- Organisatietype
- Academia,Academia
- Land
- Denmark
- Gepubliceerd
- 7 July 2017
- Auteurs
- José Juan Almagro Armenteros, Casper Kaae Sønderby, Søren Kaae Sønderby, Henrik Nielsen, Ole Winther
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Protein localization 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
- 150
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
- 5.8 × 10¹⁷ FLOP
- Hoe het werd opgericht
- Hardware
6691000000000 FLOP / GPU / sec [Titan X reported] * 1 GPU [assumed] * 80 hours * 3600 sec / hour * 0.3 [assumed utilization] = 5.781024e+17 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 GeForce GTX TITAN X
- Gebruikte chips
- 1
- Kloktijd
- 80 hours
- Stroomverbruik
- 287 W
"The training time for the full ensemble was 80 hours, approximately five hours per model. "
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
- Toegang tot model
- Hosted access (no API)
- Training code
- 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.
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
- Likely
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- DeepLoc: prediction of protein subcellular localization using deep learning
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
DeepLoc werd gepubliceerd door Technical University of Denmark,University of Copenhagen, in het land geregistreerd als Denmark, tijdens July 2017. Het komt uit een organisatie gecategoriseerd als academia,Academia.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein localization prediction.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Hoe het getraind werd
Training kostte een rekensbudget van ongeveer 5.8 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX TITAN X. 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
DeepLoc — veelgestelde vragen
DeepLoc— wie heeft het gemaakt?
Het werd gepubliceerd door Technical University of Denmark,University of Copenhagen, gebaseerd op Denmark, een organisatie geclassificeerd als academia,Academia.
DeepLoc— wanneer is het uitgebracht?
Het werd gepubliceerd in July 2017. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
DeepLoc— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein localization prediction. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
DeepLoc— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 5.8 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX TITAN X. 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.
DeepLoc— 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.
DeepLoc— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
DeepLoc— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
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.