This is the Windows app named ConvNeXt whose latest release can be downloaded as ConvNeXtsourcecode.tar.gz. It can be run online in the free hosting provider OnWorks for workstations.
این برنامه با نام ConvNeXt 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. هر شبیه ساز آنلاین OS OnWorks را از این وب سایت راه اندازی کنید، اما شبیه ساز آنلاین ویندوز بهتر است.
- 5. از OnWorks Windows OS 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. برنامه را دانلود و نصب کنید.
- 7. Wine را از مخازن نرم افزار توزیع لینوکس خود دانلود کنید. پس از نصب، می توانید روی برنامه دوبار کلیک کنید تا آنها را با Wine اجرا کنید. همچنین می توانید PlayOnLinux را امتحان کنید، یک رابط کاربری فانتزی بر روی Wine که به شما کمک می کند برنامه ها و بازی های محبوب ویندوز را نصب کنید.
Wine راهی برای اجرای نرم افزار ویندوز بر روی لینوکس است، اما بدون نیاز به ویندوز. Wine یک لایه سازگار با ویندوز منبع باز است که می تواند برنامه های ویندوز را مستقیماً بر روی هر دسکتاپ لینوکس اجرا کند. اساساً، Wine در تلاش است تا به اندازه کافی از ویندوز را از ابتدا مجدداً پیاده سازی کند تا بتواند همه آن برنامه های ویندوز را بدون نیاز به ویندوز اجرا کند.
اسکرین شات ها:
ConvNeXt
DESCRIPTION:
ConvNeXt یک معماری شبکه عصبی کانولوشنی (CNN) مدرن است که برای رقابت با Vision Transformers (ViTs) در دقت و مقیاس‌پذیری طراحی شده است، در حالی که سادگی و کارایی CNNها را حفظ می‌کند. این معماری، ستون فقرات کلاسیک به سبک ResNet را از طریق لنز روندهای طراحی ترانسفورماتور - اندازه‌های بزرگ هسته، گلوگاه‌های معکوس، نرمال‌سازی لایه و فعال‌سازی‌های GELU - مورد بررسی مجدد قرار می‌دهد تا شکاف عملکرد بین کانولوشن‌ها و مدل‌های مبتنی بر توجه را پر کند. ساختار سلسله مراتبی و تمیز ConvNeXt، آن را برای پیش‌آموزش و تنظیم دقیق در طیف وسیعی از وظایف تشخیص بصری کارآمد می‌کند. این معماری در ImageNet و مجموعه داده‌های پایین‌دست به نتایج رقابتی یا برتر دست می‌یابد، در حالی که استقرار و آموزش آن نسبت به ترانسفورماتورها آسان‌تر است. این مخزن، مدل‌های از پیش آموزش‌دیده، دستور العمل‌های آموزشی و مطالعات فرسایش را ارائه می‌دهد که نشان می‌دهد چگونه انتخاب‌های طراحی افزایشی در مجموع عملکرد پیشرفته‌ای را به همراه دارند.
امکانات
- معماری CNN مدرن با الهام از اصول طراحی Vision Transformer
- پیچیدگی‌های بزرگ هسته و بلوک‌های گلوگاه معکوس برای نمایش بهتر
- نرمال‌سازی لایه‌ها و فعال‌سازی GELU برای بهبود پایداری و دقت
- ساختار سلسله مراتبی با ویژگی‌های مقیاس‌بندی قوی در اندازه‌های مختلف مدل
- نقاط بررسی از پیش آموزش‌دیده و دستور العمل‌های آموزشی برای ImageNet و وظایف پایین‌دستی
- استقرار کارآمد و سازگاری با سیستم‌های مبتنی بر CNN موجود
زبان برنامه نویسی
پــایتــون
دسته بندی ها
این برنامه‌ای است که می‌توان آن را از https://sourceforge.net/projects/convnext.mirror/ نیز دریافت کرد. این برنامه در OnWorks میزبانی شده است تا بتوان آن را به ساده‌ترین روش از یکی از سیستم‌های عامل رایگان ما به صورت آنلاین اجرا کرد.