Il s'agit de l'application Windows Uncertainty Baselines, dont la dernière version est téléchargeable sous le nom uncertainty-baselinessourcecode.tar.gz. Elle peut être exécutée en ligne sur l'hébergeur gratuit OnWorks pour postes de travail.
Téléchargez et exécutez en ligne gratuitement cette application nommée Uncertainty Baselines avec OnWorks.
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 n'importe quel émulateur en ligne OS OnWorks à partir de ce site Web, mais un meilleur émulateur en ligne Windows.
- 5. Depuis le système d'exploitation OnWorks Windows 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 et installez-la.
- 7. Téléchargez Wine depuis les dépôts de logiciels de vos distributions Linux. Une fois installé, vous pouvez ensuite double-cliquer sur l'application pour les exécuter avec Wine. Vous pouvez également essayer PlayOnLinux, une interface sophistiquée sur Wine qui vous aidera à installer des programmes et des jeux Windows populaires.
Wine est un moyen d'exécuter un logiciel Windows sur Linux, mais sans Windows requis. Wine est une couche de compatibilité Windows open source qui peut exécuter des programmes Windows directement sur n'importe quel bureau Linux. Essentiellement, Wine essaie de ré-implémenter suffisamment de Windows à partir de zéro pour qu'il puisse exécuter toutes ces applications Windows sans avoir réellement besoin de Windows.
CAPTURES D'ÉCRAN
Ad
Lignes de base d'incertitude
DESCRIPTION
Uncertainty Baselines est un ensemble de pipelines d'apprentissage robustes et bien documentés qui simplifient l'évaluation de l'incertitude prédictive dans les modèles modernes d'apprentissage automatique. Plutôt que de proposer des scripts simples, il propose des solutions complètes (entrée de données, architectures de modèles, boucles d'apprentissage, métriques d'évaluation et journalisation) pour une comparabilité des résultats entre les exécutions et les groupes de recherche. La bibliothèque couvre les modalités et tâches canoniques, de la classification d'images et du traitement automatique du langage naturel (TALN) aux problèmes tabulaires, avec des bases de référence couvrant les approches déterministes et probabilistes. Les techniques incluent les ensembles profonds, le dropout de Monte-Carlo, la mise à l'échelle de température, l'inférence variationnelle stochastique, les têtes hétéroscédastiques et les workflows de détection hors distribution. Chaque base de référence met l'accent sur la reproductibilité : graines fixes, répartitions standard et métriques robustes telles que l'erreur d'étalonnage, l'AUROC pour OOD et la précision sous décalage.
Comment ça marche
- Pipelines de bout en bout et reproductibles pour l'évaluation des incertitudes
- Couverture des ensembles, abandon MC, SVI et méthodes d'étalonnage
- Métriques standardisées pour la détection des OOD et la qualité de l'étalonnage
- Lignes de base pour les tâches de vision, de langage et de tableaux
- Effacer les fichiers de configuration et la journalisation pour des comparaisons équitables
- Valeurs par défaut fortes pouvant être étendues à de nouvelles idées de recherche
Langage de programmation
Python
Catégories
Cette application peut également être téléchargée depuis https://sourceforge.net/projects/uncertainty-baselines.mirror/. Elle est hébergée sur OnWorks afin de pouvoir être exécutée en ligne plus facilement depuis l'un de nos systèmes d'exploitation gratuits.
