Dies ist die Linux-App namens SimSiam, deren neueste Version als simsiamsourcecode.tar.gz heruntergeladen werden kann. Sie kann online beim kostenlosen Hosting-Anbieter OnWorks für Workstations ausgeführt werden.
Laden Sie diese App namens SimSiam 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:
SimSiam
BESCHREIBUNG:
SimSiam ist eine PyTorch-Implementierung von „Exploring Simple Siamese Representation Learning“ von Xinlei Chen und Kaiming He. Das Projekt führt einen minimalistischen Ansatz für selbstüberwachtes Lernen ein, der negative Paare, Momentum-Encoder oder große Speicherbänke vermeidet – Hauptkomplexitäten früherer kontrastiver Methoden. SimSiam lernt Bilddarstellungen, indem es die Ähnlichkeit zwischen zwei erweiterten Ansichten desselben Bildes durch ein siamesisches neuronales Netzwerk mit einer Stop-Gradient-Operation maximiert und so einen Merkmalskollaps verhindert. Dieses elegante und dennoch effektive Design erzielt starke Ergebnisse in Benchmarks für unüberwachtes Lernen wie ImageNet, ohne dass kontrastive Verluste erforderlich sind. Das Repository bietet Skripte sowohl für unüberwachtes Vortraining als auch für lineare Auswertung und verwendet standardmäßig ein ResNet-50-Backbone. Es ist mit verteiltem Training mit mehreren GPUs kompatibel und kann mit demselben Setup wie MoCo feinabgestimmt oder auf nachgelagerte Aufgaben wie die Objekterkennung übertragen werden.
Eigenschaften
- Minimales selbstüberwachtes Lernframework ohne negative Paare oder Impulsgeber
- PyTorch-basierte Implementierung, optimiert für verteiltes Multi-GPU-Training
- Vollständig reproduzierbare Trainingspipeline für ImageNet unter Verwendung der Standard-Hyperparameter aus dem Dokument
- Beinhaltet sowohl unbeaufsichtigte Vortrainings- als auch lineare Auswertungsskripte
- LARS-Optimierer-Unterstützung über NVIDIA Apex für das Training großer Batches
- Kompatibel mit Objekterkennungs-Transfer-Setups von MoCo
Programmiersprache
Python
Kategorien
Diese Anwendung kann auch von https://sourceforge.net/projects/simsiam.mirror/ heruntergeladen werden. Sie wurde in OnWorks gehostet, um sie auf einfachste Weise online von einem unserer kostenlosen Betriebssysteme aus ausführen zu können.