DNCON2
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi tego modelu są OPEN, ale nie opublikowano liczby parametrów. Każda figura dotycząca MEMORY i prędkości zaczyna się od tej liczby, więc wolelibyśmy nic nie pokazywać niż wymyśloną estymację..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- University of Missouri
- Typ organizacji
- Academia
- Kraj
- United States of America
- Opublikowany
- 1 May 2018
- Autorzy
- Badri Adhikari, Jie Hou, Jianlin Cheng
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Biology
- Zadanie
- Proteins, Protein folding prediction
Rozmiar
Jak duży jest model i na ile danych był trenowany. 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 treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 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: "…
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Czas rzeczywisty
- 12 hours
"training one model took around 12 h"
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma 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, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Likely
- Cytaty
- 173
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- DNCON2: improved protein contact prediction using two-level deep convolutional neural networks
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Co to jest model?
DNCON2 został opublikowany przez University of Missouri, w kraju zapisanym jako United States of America, podczas May 2018. Wychodzi z organizacji zaklasyfikowanej jako academia.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie proteins, Protein folding prediction.
Otwarte wagi to powód, dla którego ta strona znajduje się w kalkulatorze, a nie tylko w katalogu: jest to model, który możesz faktycznie mieć.
Jak to zostało wytrenowane
Trening zajmował około 9.5 × 10¹⁶ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Zbiór treningowy trwał około 444,030,000 Tokeny tekstu.
Odpowiedzi
DNCON2 — częste pytania
DNCON2— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 9.5 × 10¹⁶ FLOP. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
DNCON2— Jaką GPU potrzebuję, aby ją uruchomić?
Nie możemy powiedzieć. Ma otwarte wagi, ale nie opublikowano liczby parametrów, a wszelkie obliczenia pamięci i prędkości zaczynają się od tej liczby. Wolimy nie pokazywać niczego niż fałszywą szacunkową wartość.
DNCON2— czy jest open weight?
Jego wagi są opublikowane, więc można je pobrać i uruchomić na własnym sprzęcie. Zauważ, że OPEN WEIGHTS nie są tym samym co OPEN SOURCE w pełnym sensie — nie mówi nic o danych treningowych, kodzie treningowym, ani warunkach komercyjnych.
DNCON2— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
DNCON2— kto to stworzył?
Zostało opublikowane przez University of Missouri, oparty na United States of America, organizacja sklasyfikowana jako academia.
DNCON2— kiedy to zostało wydane?
Zostało opublikowane w May 2018. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
DNCON2— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie proteins, Protein folding prediction. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
DNCON2— Gdzie mogę to pobrać?
Wagi są opublikowane, chociaż nie posiadamy linku do repozytorium. Ta strona oblicza wymagania sprzętowe, a nie hostuje pliki modelu.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.