Esta es la aplicación para Linux MoCo v3, cuya última versión se puede descargar como moco-v3sourcecode.tar.gz. Se puede ejecutar en línea en el proveedor de alojamiento gratuito OnWorks para estaciones de trabajo.
Descargue y ejecute en línea esta aplicación llamada MoCo v3 con OnWorks de forma gratuita.
Siga estas instrucciones para ejecutar esta aplicación:
- 1. Descargue esta aplicación en su PC.
- 2. Ingrese en nuestro administrador de archivos https://www.onworks.net/myfiles.php?username=XXXXX con el nombre de usuario que desee.
- 3. Cargue esta aplicación en dicho administrador de archivos.
- 4. Inicie el emulador en línea OnWorks Linux o Windows en línea o el emulador en línea MACOS desde este sitio web.
- 5. Desde el SO OnWorks Linux que acaba de iniciar, vaya a nuestro administrador de archivos https://www.onworks.net/myfiles.php?username=XXXXX con el nombre de usuario que desee.
- 6. Descarga la aplicación, instálala y ejecútala.
CAPTURAS DE PANTALLA:
MoCo v3
DESCRIPCIÓN:
MoCo v3 es una reimplementación en PyTorch de Momentum Contrast v3 (MoCo v3), el marco de aprendizaje autosupervisado de vanguardia de Facebook Research para el aprendizaje de representaciones visuales mediante ResNet y Vision Transformer (ViT). Desarrollada originalmente en TensorFlow para TPU, esta versión reproduce fielmente los resultados del artículo en GPU, a la vez que ofrece una interfaz PyT accesible y escalable. MoCo v3 introduce mejoras para el entrenamiento de ViT autosupervisados al combinar el aprendizaje contrastivo con arquitecturas basadas en transformadores, logrando un excelente rendimiento de ajuste fino lineal y de extremo a extremo en las pruebas de referencia de ImageNet. El repositorio admite entrenamiento distribuido multinodo, precisión mixta automática y escalado lineal de las tasas de aprendizaje para regímenes de lotes grandes. También incluye scripts para preentrenamiento autosupervisado, clasificación lineal y ajuste fino dentro del marco DeiT.
Caracteristicas
- Compatible con ImageNet y puntos de referencia de visión estándar para el aprendizaje por transferencia
- Configurable a través de indicadores de línea de comandos con hiperparámetros escalables y configuraciones por lotes
- Scripts integrados para preentrenamiento autosupervisado, evaluación lineal y ajuste fino de DeiT
- Logra sólidos resultados en ImageNet (por ejemplo, 74.6 % top-1 lineal en ResNet-50, 83.2 % ViT-B afinado)
- Admite entrenamiento distribuido multi-GPU a gran escala con precisión mixta
- Implementación de PyTorch de MoCo v3 autosupervisado para modelos ResNet y ViT
Lenguaje de programación
Python
Categorías
Esta aplicación también se puede descargar desde https://sourceforge.net/projects/moco-v3.mirror/. Está alojada en OnWorks para facilitar su ejecución en línea desde uno de nuestros sistemas operativos gratuitos.