Inicio Proyectos alphafold2
alphafold2

alphafold2

por lucidrains · GitHub

Para eventualmente convertirse en una implementación / replicación no oficial de Pytorch de Alphafold2, a medida que se publiquen detalles de la arquitectura

Ver en GitHub
En palabras simples

Replica el modelo Alphafold2 para predecir estructuras de proteínas utilizando una implementación en PyTorch a medida que se disponga de detalles.

⭐ Estrellas
🍴 Ramas
📜 Licencia
Uso comercial permitido
📅 Creado
🔄 Último commit
🏷️ Categoría
💻 Lenguaje
¿Mantienes este proyecto?

Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.

Reivindicar esta pagina →
alphafold2 — GitHub preview card
📈 Historial de estrellas
1 6331 632
2026-07-202026-07-29
📈 Sigue alphafold2

Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.

Gratis · sin tarjeta · cancela cuando quieras
Recibir alertas por email →
📄 Acerca de

Para eventualmente convertirse en una implementación / replicación no oficial de Pytorch de Alphafold2, a medida que se publiquen detalles de la arquitectura

alphafold2 tiene 1.6k estrellas en GitHub. Se ha bifurcado 265 veces. alphafold2 está escrito principalmente en Python. Se desarrolla activamente desde 2020. alphafold2 está disponible bajo la licencia MIT. Sus temas principales son: artificial-intelligence, attention-mechanism, deep-learning, protein-folding.

Frequently asked questions

¿Qué es alphafold2?

Para eventualmente convertirse en una implementación / replicación no oficial de Pytorch de Alphafold2, a medida que se publiquen detalles de la arquitectura

¿alphafold2 es de código abierto?

alphafold2 es un proyecto de código abierto. Se distribuye bajo la licencia MIT.

¿alphafold2 es gratis?

Sí. alphafold2 es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

¿Bajo qué licencia está alphafold2?

alphafold2 está disponible bajo la licencia MIT.

¿En qué lenguaje está escrito alphafold2?

alphafold2 está escrito principalmente en Python.

🏅 ¿Mantenedor de este proyecto?
OpenSourceAI badge — alphafold2

Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=lucidrains-alphafold2)](https://opensourceai.tech/project/lucidrains-alphafold2.html)
Más opciones de distintivos →
🧬 Comparte ADN con🧬 Ver el mapa de ADN →
Star-Attention
Inferencia eficiente de LLM sobre Secuencias Largas
391 · attention-mechanism
comparteattention-mechanism
x-transformers
Un transformador conciso pero completo con atención total y un conjunto de características expe…
5.9k · artificial-intelligence
comparteattention-mechanism
reformer-pytorch
Reformer, el Transformer eficiente, en Pytorch
2.2k · artificial-intelligence
comparteattention-mechanism
PaLM-pytorch
Implementación de la arquitectura Transformer específica de PaLM - Escalando Modelado de Lengua…
825 · artificial-general-intelligence
comparteattention-mechanism
parti-pytorch
Implementación de Parti, la red neuronal de texto a imagen basada en atención pura de Google, e…
537 · artificial-intelligence
comparteattention-mechanism
lambda-networks
Implementación de LambdaNetworks, un nuevo enfoque para el reconocimiento de imágenes que alcan…
1.5k · artificial-intelligence
comparteattention-mechanism
vit-pytorch
Implementación de Vision Transformer, una forma simple de lograr SOTA en clasificación de visió…
25.4k · artificial-intelligence
comparteattention-mechanism
RETRO-pytorch
Implementación de RETRO, la red de Atención basada en Recuperación de Deepmind, en Pytorch
879 · artificial-intelligence
comparteattention-mechanism
performer-pytorch
Una implementación de Performer, un transformador basado en atención lineal, en Pytorch
1.2k · artificial-intelligence
comparteattention-mechanism
flamingo-pytorch
Implementación de 🦩 Flamingo, red de atención de vanguardia para preguntas visuales de pocos di…
1.3k · artificial-intelligence
comparteattention-mechanism

Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.