DNCON2
Brak szacunków
Brak wymagań sprzętowych dla tego modelu
Wagi tego modelu są dostępne publicznie, jednak nie opublikowano liczby parametrów dla niego. Każdy wskaźnik pamięci i szybkości zaczyna się od tej liczby, dlatego wolelibyśmy nie podawać niczego, niż sfałszowaną szacunkową wartość.
Na nagraniu
Pełna specyfikacja
Wszystko, co jest dostępne na temat tego modelu. Większość z tego opisuje, jak został wytrenowany, a nie jak działa — przydatny kontekst do oceny, ile pracy w to włożono i jak wypada na tle modeli zbudowanych na innym poziomie skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- University of Missouri
- Typ organizacji
- Academia
- Kraj
- United States of America
- Opublikowane
- 1 May 2018
- Authors
- Badri Adhikari, Jie Hou, Jianlin Cheng
Co to robi
Obszary problemowe, dla których stworzono model. Model może zawierać kilka z każdej.
- Domena
- Biology
- Zadanie
- Proteins, Protein folding prediction
Rozmiar
Jakiej wielkości jest model i na ile danych był szkolony. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Dane treningowe
- 444,030,000 tokens
- Epoki
- 1,600
"Our raw feature files for all 1426 training proteins"
Obliczenia szkoleniowe
Aritmetyka wykonywana w celu wytrenowania modelu, mierzone w operacjach zmiennoprzecinkowych. Jest to miara kosztu przeprowadzonego treningu, a nie tego, jak szybko gotowy model odpowiada na twoje zapytania.
- Obliczenia szkoleniowe
- 9.5 × 10¹⁶ FLOP
- Jak to zostało ustalone
- Hardware
"Our training was conducted on Tesla K20 Nvidia GPUs each having 5 GB of GPU memory, on which, training one model took around 12 h." "We train each CNN for a total of 1600 epochs with each epoch of training taking around 2 min." Assumptions: peakFLOP rate 3.52e12FLOP/s (from: https://www.techpowerup.com/gpu-specs/tesla-k20c.c564) 30% utilization rate 1 GPU Estimate 1: "training one model took around 12h" => unclear how many GPUs (12 *3600) s * 3.52e12 FLOP/s * 0.3 = 4.5e16 FLOP Estimate 2: "…
Trening
Co fizycznie zajęło szkolenie: które chipy, ile ich, na jak długo i ile to pobrało z sieci.
- Wall-clock time
- 12 hours
"training one model took around 12 h"
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim własnym sprzęcie, co decyduje, czy jakiekolwiek z danych dotyczących karty graficznej na tej stronie mają zastosowanie.
- Wagi
- Open — downloadable
- Dostęp do modelu
- Open weights (unrestricted)
- Kod treningowy
- Open source
license: https://github.com/multicom-toolbox/DNCON2?tab=GPL-3.0-1-ov-file#readme
Jak jest klasyfikowane
Etykiety stosowane przez źródłowy zbiór danych podczas śledzenia znaczących modeli oraz jak pewny jest w danym wpisie.
- Zaufanie do nagrania
- Likely
- Citations
- 173
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- DNCON2: improved protein contact prediction using two-level deep convolutional neural networks
- Ostatnia aktualizacja
- 28 November 2025
Co oznaczają liczby
Czym jest ten model
DNCON2 was published by University of Missouri, in United States of America, in May 2018. It comes out of academia.
It works in Biology, and is recorded as doing proteins, Protein folding prediction.
Otwarta waga to coś, co sprawia, że ta strona znajduje się w kalkulatorze, a nie tylko w katalogu: to model, który możesz rzeczywiście trzymać.
Jak to było trenowane
The training run consumed about 9.5 × 10¹⁶ FLOP. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
The training set ran to roughly 444,030,000 tokens.
Odpowiedzi
DNCON2 — Często zadawane pytania
How much compute was used to train DNCON2?
Around 9.5 × 10¹⁶ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run DNCON2?
We cannot say. DNCON2 has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
Is DNCON2 open source?
Its weights are published, so DNCON2 can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does DNCON2 have?
No parameter count has been published for DNCON2, which is why no memory or speed figure appears on this page.
Who created DNCON2?
DNCON2 was published by University of Missouri, based in United States of America, categorised as academia.
When was DNCON2 released?
DNCON2 was published in May 2018. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is DNCON2 used for?
DNCON2 works in Biology, and is recorded as handling proteins, Protein folding prediction. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
Where can I download DNCON2?
The weights for DNCON2 are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
W innym kierunku
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, wszystko co będzie ona obsługiwać, Rozpocznij od sprzętu..