Questa è l'app di Windows denominata DeepCTR la cui ultima versione può essere scaricata come v0.9.3.zip. Può essere eseguito online nel provider di hosting gratuito OnWorks per workstation.
Scarica ed esegui online questa app chiamata DeepCTR con OnWorks gratuitamente.
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. Avvia qualsiasi emulatore online OS OnWorks da questo sito Web, ma migliore emulatore online Windows.
- 5. Dal sistema operativo OnWorks Windows 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 e installala.
- 7. Scarica Wine dai repository software delle tue distribuzioni Linux. Una volta installato, puoi quindi fare doppio clic sull'app per eseguirli con Wine. Puoi anche provare PlayOnLinux, un'interfaccia fantasiosa su Wine che ti aiuterà a installare programmi e giochi Windows popolari.
Wine è un modo per eseguire il software Windows su Linux, ma senza Windows richiesto. Wine è un livello di compatibilità Windows open source in grado di eseguire programmi Windows direttamente su qualsiasi desktop Linux. Essenzialmente, Wine sta cercando di re-implementare abbastanza Windows da zero in modo che possa eseguire tutte quelle applicazioni Windows senza effettivamente bisogno di Windows.
IMMAGINI
Ad
DeepCTR
DESCRIZIONE
DeepCTR è un pacchetto facile da usare, modulare ed estensibile di modelli CTR basati sull'apprendimento profondo insieme a molti livelli di componenti principali che possono essere utilizzati per creare facilmente modelli personalizzati. Puoi utilizzare qualsiasi modello complesso con model.fit() e model.predict(). Fornisci un'interfaccia simile a tf.keras.Model per un rapido esperimento. Fornire un'interfaccia per la stima di tensorflow per dati su larga scala e formazione distribuita. È compatibile sia con tf 1.x che con tf 2.x. Con il grande successo del deep learning, le tecniche basate su DNN sono state ampiamente utilizzate nelle attività di previsione CTR. I dati nell'attività di stima CTR di solito includono caratteristiche categoriali ad alta sparsa, alta cardinalità e alcune caratteristiche numeriche dense. Poiché i DNN sono bravi a gestire caratteristiche numeriche dense, di solito mappiamo le caratteristiche categoriali sparse su numeriche dense attraverso la tecnica di inclusione.
Caratteristiche
- CCPM (modello di previsione dei clic convoluzionali)
- PNN (rete neurale basata sul prodotto)
- FNN (rete neurale supportata dalla fattorizzazione)
- MLR (regressione logistica mista/modello lineare a pezzi)
- NFM (macchina di fattorizzazione neurale)
- DCN (Deep & Cross Network)
Linguaggio di programmazione
Python
Categorie
Questa è un'applicazione che può anche essere scaricata da https://sourceforge.net/projects/deepctr.mirror/. È stato ospitato in OnWorks per essere eseguito online in modo più semplice da uno dei nostri sistemi operativi gratuiti.