This is the Linux app named ResNeXt whose latest release can be downloaded as ResNeXtsourcecode.tar.gz. It can be run online in the free hosting provider OnWorks for workstations.
Laden Sie diese App namens ResNeXt mit 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:
ResNeXt
BESCHREIBUNG:
ResNeXt ist eine tiefe neuronale Netzwerkarchitektur zur Bildklassifizierung, die auf der Idee aggregierter Residuentransformationen basiert. Anstatt einfach Tiefe oder Breite zu erhöhen, führt ResNeXt eine neue Dimension namens Kardinalität ein. Diese bezieht sich auf die Anzahl paralleler Transformationspfade (d. h. die Anzahl der „Zweige“), die zusammengefasst werden. Jeder Zweig ist eine kleine Transformation (z. B. ein Flaschenhalsblock), und ihre Ausgaben werden summiert – dies ermöglicht eine reichhaltigere Darstellung ohne übermäßige Parameterexplosion. Das Design ist modular und homogen, wodurch es relativ einfach zu skalieren (durch Feinabstimmung von Kardinalität, Breite, Tiefe) und in bestehende Residuen-Frameworks zu integrieren ist. Das offizielle Repository bietet eine Torch (Lua)-Implementierung mit Code für Training, Evaluierung und vortrainierte Modelle auf ImageNet. In der Praxis übertreffen ResNeXt-Modelle häufig Standard-ResNet-Modelle vergleichbarer Komplexität.
Eigenschaften
- Aggregierte Residualtransformationen, die mehrere parallele Zweige kombinieren
- Führt „Kardinalität“ als neue Architekturdimension ein
- Modulare Engpassblöcke mit einfacher Skalierung über Breite/Tiefe/Kardinalität
- Torch-Implementierung mit Trainings- und Evaluierungsskripten
- Vortrainierte Modelle für die ImageNet-Klassifizierung
- Kompatibilität mit bestehenden Architekturen und einfache Integration
Programmiersprache
Lua
Kategorien
Diese Anwendung kann auch von https://sourceforge.net/projects/resnext.mirror/ heruntergeladen werden. Sie wurde in OnWorks gehostet, um sie auf einfachste Weise online von einem unserer kostenlosen Betriebssysteme aus ausführen zu können.