این یک برنامه لینوکس به نام MoCo v3 است که آخرین نسخه آن را می‌توانید با نام moco-v3sourcecode.tar.gz دانلود کنید. این برنامه را می‌توان به صورت آنلاین در ارائه دهنده خدمات میزبانی رایگان OnWorks برای ایستگاه‌های کاری اجرا کرد.
این برنامه با نام MoCo v3 with OnWorks را به صورت رایگان دانلود و اجرا کنید.
برای اجرای این برنامه این دستورالعمل ها را دنبال کنید:
- 1. این برنامه را در رایانه شخصی خود دانلود کنید.
- 2. در فایل منیجر ما https://www.onworks.net/myfiles.php?username=XXXXX نام کاربری مورد نظر خود را وارد کنید.
- 3. این برنامه را در چنین فایل منیجر آپلود کنید.
- 4. OnWorks Linux آنلاین یا شبیه ساز آنلاین ویندوز یا شبیه ساز آنلاین MACOS را از این وب سایت راه اندازی کنید.
- 5. از سیستم عامل لینوکس OnWorks که به تازگی راه اندازی کرده اید، به مدیر فایل ما https://www.onworks.net/myfiles.php?username=XXXXX با نام کاربری که می خواهید بروید.
- 6. اپلیکیشن را دانلود کرده، نصب و اجرا کنید.
اسکرین شات ها:
موکو نسخه ۳
DESCRIPTION:
MoCo نسخه ۳، پیاده‌سازی مجدد PyTorch از Momentum Contrast نسخه ۳ (MoCo نسخه ۳)، چارچوب یادگیری خودنظارتی پیشرفته فیسبوک ریسرچ برای یادگیری بازنمایی بصری با استفاده از ستون فقرات ResNet و Vision Transformer (ViT) است. این نسخه که در ابتدا در TensorFlow برای TPUها توسعه داده شده بود، نتایج مقاله را به طور دقیق روی GPUها بازتولید می‌کند و در عین حال یک رابط PyTorch قابل دسترس و مقیاس‌پذیر ارائه می‌دهد. MoCo نسخه ۳ با ترکیب یادگیری تقابلی با معماری‌های مبتنی بر ترانسفورماتور، بهبودهایی را برای آموزش ViTهای خودنظارتی ارائه می‌دهد و به عملکرد تنظیم دقیق خطی و سرتاسری قوی در معیارهای ImageNet دست می‌یابد. این مخزن از آموزش توزیع‌شده چند گره‌ای، دقت ترکیبی خودکار و مقیاس‌بندی خطی نرخ یادگیری برای رژیم‌های دسته‌ای بزرگ پشتیبانی می‌کند. همچنین شامل اسکریپت‌هایی برای پیش‌آموزش خودنظارتی، طبقه‌بندی خطی و تنظیم دقیق در چارچوب DeiT است.
امکانات
- سازگار با ImageNet و معیارهای استاندارد بینایی برای یادگیری انتقالی
- قابل تنظیم از طریق پرچم‌های خط فرمان با پارامترهای مقیاس‌پذیر و تنظیمات دسته‌ای
- اسکریپت‌های یکپارچه برای پیش‌آموزش خودنظارتی، ارزیابی خطی و تنظیم دقیق DeiT
- به نتایج قوی ImageNet دست می‌یابد (مثلاً ۷۴.۶٪ خطی از بالا به پایین در ResNet-50، ۸۳.۲٪ ViT-B تنظیم‌شده دقیق)
- پشتیبانی از آموزش توزیع‌شده‌ی چند پردازنده‌ی گرافیکی (multi-GPU) در مقیاس بزرگ با دقت ترکیبی
- پیاده‌سازی PyTorch از MoCo نسخه ۳ خودنظارتی برای مدل‌های ResNet و ViT
زبان برنامه نویسی
پــایتــون
دسته بندی ها
این برنامه‌ای است که می‌توان آن را از https://sourceforge.net/projects/moco-v3.mirror/ نیز دریافت کرد. این برنامه در OnWorks میزبانی شده است تا بتوان آن را به ساده‌ترین روش به صورت آنلاین از یکی از سیستم‌های عامل رایگان ما اجرا کرد.