این برنامه ویندوز با نام DeepCTR است که آخرین نسخه آن را می توان با عنوان v0.9.3.zip دانلود کرد. می توان آن را به صورت آنلاین در ارائه دهنده میزبانی رایگان OnWorks برای ایستگاه های کاری اجرا کرد.
این اپلیکیشن با نام DeepCTR را با OnWorks به صورت آنلاین 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:
DeepCTR
DESCRIPTION:
DeepCTR یک بسته ساده، ماژولار و توسعه‌پذیر از مدل‌های CTR مبتنی بر یادگیری عمیق به همراه بسیاری از لایه‌های اجزای اصلی است که می‌توان از آنها برای ساخت آسان مدل‌های سفارشی استفاده کرد. می توانید از هر مدل پیچیده ای با model.fit() و model.predict() استفاده کنید. برای آزمایش سریع، رابط tf.keras.Model را ارائه دهید. رابط تخمین‌گر جریان تنسور را برای داده‌های مقیاس بزرگ و آموزش توزیع‌شده فراهم کنید. این با هر دو tf 1.x و tf 2.x سازگار است. با موفقیت بزرگ یادگیری عمیق، تکنیک های مبتنی بر DNN به طور گسترده در کار پیش بینی CTR استفاده شده است. داده‌ها در کار تخمین CTR معمولاً شامل ویژگی‌های طبقه‌بندی پراکنده، پراکنده و برخی ویژگی‌های عددی متراکم است. از آنجایی که DNN در مدیریت ویژگی‌های عددی متراکم خوب است، ما معمولاً از طریق تکنیک جاسازی، ویژگی‌های طبقه‌بندی پراکنده را به عددی متراکم ترسیم می‌کنیم.
امکانات
- CCPM (مدل پیش‌بینی کلیک کانولوشنال)
- PNN (شبکه عصبی مبتنی بر محصول)
- FNN (شبکه عصبی با پشتیبانی از فاکتورسازی)
- MLR (رگرسیون لجستیک ترکیبی/مدل خطی تکه‌ای)
- NFM (ماشین فاکتورسازی عصبی)
- DCN (شبکه عمیق و متقاطع)
زبان برنامه نویسی
پــایتــون
دسته بندی ها
این برنامه ای است که می تواند از https://sourceforge.net/projects/deepctr.mirror/ نیز دریافت شود. در OnWorks میزبانی شده است تا به آسانی از یکی از سیستم عامل های رایگان ما به صورت آنلاین اجرا شود.