Questa è l'app Linux denominata Fairseq la cui ultima versione può essere scaricata come v0.10.2.zip. Può essere eseguito online nel provider di hosting gratuito OnWorks per workstation.
Scarica ed esegui online gratuitamente questa app denominata Fairseq con OnWorks.
Segui queste istruzioni per eseguire questa app:
- 1. Scaricata questa applicazione sul tuo PC.
- 2. Entra nel nostro file manager https://www.onworks.net/myfiles.php?username=XXXXX con il nome utente che desideri.
- 3. Carica questa applicazione in tale file manager.
- 4. Avviare l'emulatore online OnWorks Linux o Windows online o l'emulatore online MACOS da questo sito Web.
- 5. Dal sistema operativo OnWorks Linux che hai appena avviato, vai al nostro file manager https://www.onworks.net/myfiles.php?username=XXXXX con il nome utente che desideri.
- 6. Scarica l'applicazione, installala ed eseguila.
IMMAGINI:
Seq
DESCRIZIONE:
Fairseq(-py) è un toolkit di modellazione di sequenze che consente a ricercatori e sviluppatori di addestrare modelli personalizzati per traduzione, riepilogo, modellazione linguistica e altre attività di generazione di testo. Forniamo implementazioni di riferimento di vari documenti di modellazione di sequenza. Un recente lavoro di Microsoft e Google ha dimostrato che l'addestramento in parallelo ai dati può essere reso notevolmente più efficiente suddividendo i parametri del modello e lo stato dell'ottimizzatore tra i lavoratori paralleli dei dati. Queste idee sono racchiuse nel nuovo wrapper FullyShardedDataParallel (FSDP) fornito da fairscale. Fairseq può essere esteso tramite plug-in forniti dall'utente. I modelli definiscono l'architettura della rete neurale e incapsulano tutti i parametri apprendibili. I criteri calcolano la funzione di perdita dati gli output e gli obiettivi del modello. Le attività archiviano i dizionari e forniscono aiuti per il caricamento/l'iterazione dei set di dati, l'inizializzazione del modello/criterio e il calcolo della perdita.
Caratteristiche
- Training multi-GPU su una macchina o su più macchine (dati e modello in parallelo)
- Generazione rapida sia su CPU che GPU con più algoritmi di ricerca implementati
- L'accumulo di gradienti consente l'allenamento con mini-batch di grandi dimensioni anche su una singola GPU
- Allenamento di precisione mista (si allena più velocemente con meno memoria GPU sui tensor core NVIDIA)
- Registra facilmente nuovi modelli, criteri, attività, ottimizzatori e pianificatori del tasso di apprendimento
- Configurazione flessibile basata su Hydra che consente una combinazione di codice, riga di comando e configurazione basata su file
Linguaggio di programmazione
Python
Categorie
Questa è un'applicazione che può essere scaricata anche da https://sourceforge.net/projects/fairseq.mirror/. È stato ospitato in OnWorks per essere eseguito online nel modo più semplice da uno dei nostri Sistemi Operativi gratuiti.