Dies ist die Windows-App namens DeepCTR, deren neueste Version als v0.9.3.zip heruntergeladen werden kann. Es kann online beim kostenlosen Hosting-Anbieter OnWorks für Workstations ausgeführt werden.
Laden Sie diese App namens DeepCTR 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 einen beliebigen OS OnWorks-Online-Emulator von dieser Website, aber einen besseren Windows-Online-Emulator.
- 5. Rufen Sie vom gerade gestarteten OnWorks Windows-Betriebssystem unseren Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX mit dem gewünschten Benutzernamen auf.
- 6. Laden Sie die Anwendung herunter und installieren Sie sie.
- 7. Laden Sie Wine aus den Software-Repositorys Ihrer Linux-Distributionen herunter. Nach der Installation können Sie dann auf die App doppelklicken, um sie mit Wine auszuführen. Sie können auch PlayOnLinux ausprobieren, eine schicke Schnittstelle über Wine, die Ihnen bei der Installation beliebter Windows-Programme und -Spiele hilft.
Wine ist eine Möglichkeit, Windows-Software unter Linux auszuführen, jedoch ohne Windows. Wine ist eine Open-Source-Windows-Kompatibilitätsschicht, die Windows-Programme direkt auf jedem Linux-Desktop ausführen kann. Im Wesentlichen versucht Wine, genügend Windows von Grund auf neu zu implementieren, damit alle diese Windows-Anwendungen ausgeführt werden können, ohne dass Windows tatsächlich benötigt wird.
SCREENSHOTS
Ad
DeepCTR
BESCHREIBUNG
DeepCTR ist ein benutzerfreundliches, modulares und erweiterbares Paket von Deep-Learning-basierten CTR-Modellen zusammen mit vielen Kernkomponentenschichten, die zum einfachen Erstellen benutzerdefinierter Modelle verwendet werden können. Sie können jedes komplexe Modell mit model.fit() und model.predict() verwenden. Stellen Sie eine tf.keras.Model-ähnliche Schnittstelle für schnelles Experimentieren bereit. Stellen Sie eine Tensorflow-Schätzerschnittstelle für umfangreiche Daten und verteiltes Training bereit. Es ist sowohl mit tf 1.x als auch mit tf 2.x kompatibel. Mit dem großen Erfolg von Deep Learning wurden DNN-basierte Techniken weit verbreitet in CTR-Vorhersageaufgaben verwendet. Die Daten in der CTR-Schätzungsaufgabe umfassen normalerweise kategorische Merkmale mit hoher Dichte und hoher Kardinalität und einige dichte numerische Merkmale. Da DNN gut mit dichten numerischen Merkmalen umgehen können, bilden wir die kategorialen Merkmale mit geringer Dichte normalerweise durch Einbettungstechniken auf dichte numerische Merkmale ab.
Eigenschaften
- CCPM (Convolutional Click Prediction Model)
- PNN (Produktbasiertes Neuronales Netzwerk)
- FNN (faktorisierungsgestütztes neuronales Netz)
- MLR (Gemischte logistische Regression/stückweises lineares Modell)
- NFM (Neuronale Faktorisierungsmaschine)
- DCN (Deep & Cross-Netzwerk)
Programmiersprache
Python
Kategorien
Dies ist eine Anwendung, die auch von https://sourceforge.net/projects/deepctr.mirror/ abgerufen werden kann. Es wurde in OnWorks gehostet, um auf einfachste Weise online von einem unserer kostenlosen Betriebssysteme ausgeführt zu werden.
