/ Модель

Характеристики

Контекст
512 токенов
Параметры
119 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
bert · dense
Опубликована
27 июн 2024

plant-dnabert-BPE

Заполнение пропусковТекст → текст3 профессии

Предобученная BERT-модель для заполнения замаскированных фрагментов в последовательностях ДНК растений.

184скачиваний за 30 дней2лайкавеса 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 DNA BPE — модель семейства BERT, разработанная zhangtaolab для анализа последовательностей ДНК растений. Это одна из серии предобученных моделей на геномах растений; модель основана на Google BERT base с модифицированным BPE-токенизатором для ДНК. Она содержит 119,4 млн параметров, словарь токенизатора — 8 000 токенов, максимальная длина последовательности — 512 токенов. Модель обучена методом Masked Language Modeling и предназначена для заполнения замаскированных участков в последовательностях ДНК растений.

Модель можно применять для предсказания нуклеотидных фрагментов по окружающей последовательности и как основу для исследовательских задач геномики растений. Она принимает текстовое представление последовательности ДНК и выдаёт предсказания токенов. Опубликована в формате safetensors; лицензия CC BY-NC-SA 4.0 допускает использование на условиях атрибуции, распространения производных материалов на той же лицензии и некоммерческого применения.

Сценарии применения

  • заполнение пропусков в последовательности ДНК растений
  • предсказание нуклеотидных фрагментов по контексту
  • исследование закономерностей в геномах растений

Ограничения

Модель предназначена для последовательностей ДНК растений и имеет максимальную длину входа 512 токенов. Лицензия ограничивает использование некоммерческими целями.

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 BERT base model with modified 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 AutoModelForMaskedLM, AutoTokenizer
import torch

model_name = 'plant-dnabert-BPE'
# load model and tokenizer
model = AutoModelForMaskedLM.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 MaskedLM 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
9cac7cd

0 моделей