Il s'agit de l'application Linux JEPA, dont la dernière version est téléchargeable sous le nom jepasourcecode.tar.gz. Elle peut être exécutée en ligne sur l'hébergeur gratuit OnWorks pour postes de travail.
Téléchargez et exécutez en ligne cette application nommée JEPA avec OnWorks gratuitement.
Suivez ces instructions pour exécuter cette application :
- 1. Téléchargé cette application sur votre PC.
- 2. Entrez dans notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous voulez.
- 3. Téléchargez cette application dans ce gestionnaire de fichiers.
- 4. Démarrez l'émulateur en ligne OnWorks Linux ou Windows en ligne ou l'émulateur en ligne MACOS à partir de ce site Web.
- 5. Depuis le système d'exploitation OnWorks Linux que vous venez de démarrer, accédez à notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous souhaitez.
- 6. Téléchargez l'application, installez-la et exécutez-la.
CAPTURES D'ÉCRAN:
JEPA
DESCRIPTION:
JEPA (Joint-Embedding Predictive Architecture) reprend l'idée de prédire les représentations manquantes de haut niveau plutôt que de reconstruire les pixels, visant un apprentissage auto-supervisé robuste et évolutif. Un encodeur contextuel ingère les régions visibles et prédit les plongements cibles pour les régions masquées produites par un encodeur cible distinct, évitant ainsi les pertes de reconstruction de bas niveau susceptibles de sur-adapter à la texture. L'apprentissage se concentre ainsi sur la sémantique et la structure, produisant des caractéristiques facilement transférables avec de simples sondes linéaires et un réglage fin minimal. Le référentiel fournit des recettes d'apprentissage, des pipelines de données et des utilitaires d'évaluation pour les variantes d'images JEPA, et inclut souvent des ablations qui mettent en lumière les choix de masquage et d'architecture pertinents. L'objectif étant non autorégressif et fonctionnant dans l'espace d'intégration, JEPA tend à être efficace en termes de calcul et stable à grande échelle. Cette approche est devenue une alternative solide aux méthodes contrastives ou de reconstruction de pixels pour l'apprentissage des représentations.
Comment ça marche
- Apprentissage prédictif dans l'espace d'intégration au lieu de la reconstruction de pixels
- Séparer les encodeurs de contexte et de cible avec des objectifs de région masquée
- Forte performance de sonde linéaire et de transfert à faible débit
- Formation stable et efficace sans échantillonnage négatif important
- Recettes et ablations claires pour les choix de masquage et d'architecture
- Code modulaire permettant l'extension à de nouvelles modalités ou ensembles de données
Langage de programmation
Python
Catégories
Cette application est également disponible sur https://sourceforge.net/projects/jepa.mirror/. Elle est hébergée sur OnWorks afin de pouvoir être exécutée en ligne plus facilement depuis l'un de nos systèmes d'exploitation gratuits.