/ Модель

Характеристики

Контекст
512 токенов
Параметры
116 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
bert · dense
Опубликована
30 сен 2024

plant-dnabert-6mer

Заполнение пропусковТекст → текст3 профессии

BERT-модель zhangtaolab, предварительно обученная на геномах растений для предсказания замаскированных фрагментов ДНК.

41скачиваний за 30 дней1лайквеса обновлены14 окт 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

plant-dnabert-6mer — модель семейства BERT, разработанная zhangtaolab для работы с последовательностями ДНК растений. Она предварительно обучена на референсных геномах растений; для токенизации используется BPE-токенизатор со словарём из 8000 токенов. Модель содержит 116,4 млн параметров и обрабатывает последовательности длиной до 512 токенов.

Модель предназначена для анализа геномных последовательностей, в частности для предсказания замаскированных фрагментов ДНК. В README описана серия моделей на разных архитектурах; эта модель использует архитектуру BERT с классом BertForMaskedLM. Указанный в README метод предобучения CausalLM расходится с архитектурой и задачей fill-mask в метаданных, поэтому основное назначение здесь определено по метаданным.

Лицензия CC-BY-NC-SA-4.0 требует указания авторства, ограничивает коммерческое использование и распространяет условия лицензии на производные материалы. Модель специализирована на ДНК растений; её пригодность для других организмов или задач не подтверждена предоставленными данными.

Сценарии применения

  • восстановление замаскированных участков ДНК растений
  • анализ последовательностей ДНК растений
  • изучение представлений геномных последовательностей растений

Ограничения

Контекст ограничен 512 токенами, а специализация модели — геномные последовательности растений. Лицензия запрещает коммерческое использование.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Plant foundation DNA large language models

The plant DNA large language models (LLMs) contain a series of foundation models based on different model architectures, which are pre-trained on various plant reference genomes.
All the models have a comparable model size between 90 MB and 150 MB, BPE tokenizer is used for tokenization and 8000 tokens are included in the vocabulary.

Developed by: zhangtaolab

Model Sources

Architecture

The model is trained based on the Google Gemma model with modified config and tokenizer specific for DNA sequence.

How to use

Install the runtime library first:

pip install transformers

Here is a simple code for inference:

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_name = 'plant-dnabert-6mer'
# load model and tokenizer
model = AutoModelForCausalLM.from_pretrained(f'zhangtaolab/{model_name}', trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(f'zhangtaolab/{model_name}', trust_remote_code=True)

# example sequence and tokenization
sequences = ['ATATACGGCCGNC','GGGTATCGCTTCCGAC']
tokens = tokenizer(sequences,padding="longest")['input_ids']
print(f"Tokenzied sequence: {tokenizer.batch_decode(tokens)}")

# inference
device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu')
model.to(device)
inputs = tokenizer(sequences, truncation=True, padding='max_length', max_length=512, 
                   return_tensors="pt")
inputs = {k: v.to(device) for k, v in inputs.items()}
outs = model(
    **inputs,
    output_hidden_states=True
)

# get the final layer embeddings and prediction logits
embeddings = outs['hidden_states'][-1].detach().numpy()
logits = outs['logits'].detach().numpy()

Training data

We use CausalLM method to pre-train the model, the tokenized sequence have a maximum length of 512.
Detailed training procedure can be found in our manuscript.

Hardware

Model was pre-trained on a NVIDIA RTX4090 GPU (24 GB).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
6f2e638

0 моделей