Dies ist die Linux-App namens Higher, deren neueste Version als higherv0.2.1sourcecode.zip heruntergeladen werden kann. Sie kann online beim kostenlosen Hosting-Anbieter OnWorks für Workstations ausgeführt werden.
Laden Sie diese App namens „Higher with OnWorks“ kostenlos herunter und führen Sie sie online aus.
Befolgen Sie diese Anweisungen, um diese App auszuführen:
- 1. Diese Anwendung auf Ihren PC heruntergeladen.
- 2. Geben Sie in unserem Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX den gewünschten Benutzernamen ein.
- 3. Laden Sie diese Anwendung in einem solchen Dateimanager hoch.
- 4. Starten Sie den OnWorks Linux-Online- oder Windows-Online-Emulator oder den MACOS-Online-Emulator von dieser Website.
- 5. Rufen Sie vom gerade gestarteten OnWorks Linux-Betriebssystem aus unseren Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX mit dem gewünschten Benutzernamen auf.
- 6. Laden Sie die Anwendung herunter, installieren Sie sie und führen Sie sie aus.
SCREENSHOTS
Ad
Höher
BESCHREIBUNG
higher ist eine spezialisierte Bibliothek, die die Fähigkeiten von PyTorch erweitert, indem sie Differenzierung höherer Ordnung und Meta-Learning durch differenzierbare Optimierungsschleifen ermöglicht. Sie ermöglicht Entwicklern und Forschern die Berechnung von Gradienten durch ganze Optimierungsprozesse, was für Aufgaben wie Meta-Learning, Hyperparameteroptimierung und Modelladaption unerlässlich ist. Die Bibliothek führt Dienstprogramme ein, die Standardinstanzen von torch.nn.Module in „zustandslose“ Funktionsformen konvertieren, sodass Parameteraktualisierungen als differenzierbare Operationen behandelt werden können. Sie bietet außerdem differenzierbare Implementierungen gängiger Optimierer wie SGD und Adam, wodurch Backpropagation durch eine beliebige Anzahl von Optimierungsschritten innerhalb der Schleife möglich wird. Durch eine klare und flexible Schnittstelle vereinfacht higher die Erstellung komplexer Lernalgorithmen, die Gradientenverfolgung über mehrere Aktualisierungsebenen hinweg erfordern. Ihr Design gewährleistet die Kompatibilität mit bestehenden PyTorch-Modellen.
Eigenschaften
- Ermöglicht differenzierbare Inner-Loop-Optimierung und Gradientenverfolgung durch Updates
- Konvertiert torch.nn.Module-Modelle in funktionale, zustandslose Formen für Meta-Lernen
- Bietet differenzierbare Versionen von Standardoptimierern wie Adam und SGD
- Ermöglicht eine ungerollte Optimierung für die Berechnung von Gradienten höherer Ordnung
- Lässt sich mit minimalen Änderungen problemlos in bestehende PyTorch-Workflows integrieren
- Unterstützt benutzerdefinierte differenzierbare Optimierer durch Registrierung und Unterklassifizierung
Programmiersprache
Python
Kategorien
Diese Anwendung kann auch von https://sourceforge.net/projects/higher.mirror/ heruntergeladen werden. Sie wurde in OnWorks gehostet, um sie auf einfachste Weise online von einem unserer kostenlosen Betriebssysteme aus ausführen zu können.
