This is the Windows app named Pytorch-toolbelt whose latest release can be downloaded as PytorchToolbelt0.6.2.zip. It can be run online in the free hosting provider OnWorks for workstations.
Scarica ed esegui online questa app chiamata Pytorch-toolbelt 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
Cintura portautensili Pytorch
DESCRIZIONE
Un pytorch-toolbelt è una libreria Python con una serie di campane e fischietti per PyTorch per la prototipazione rapida di ricerca e sviluppo e l'agricoltura Kaggle. Costruzione di modelli semplificata grazie all'architettura flessibile del codificatore-decodificatore. Moduli: CoordConv, SCSE, Hypercolumn, convoluzione separabile in profondità e altro. TTA per l'aumento del tempo di test compatibile con la GPU per la segmentazione e la classificazione. Inferenza GPU-friendly su immagini enormi (5000x5000). Routine comuni quotidiane (correzione/ripristino di seed casuali, utilità del filesystem, metriche). Perdite: perdite BinaryFocalLoss, Focal, ReducedFocal, Lovasz, Jaccard e Dice, Wing Loss e altro. Extra per la libreria Catalyst (Visualizzazione di previsioni batch, metriche aggiuntive). In base alla progettazione, sia il codificatore che il decodificatore producono un elenco di tensori, da mappe di caratteristiche fini (alta risoluzione, indicizzato 0) a grossolane (bassa risoluzione). L'accesso a tutte le mappe delle caratteristiche intermedie è vantaggioso se si desidera applicare su di esse profonde perdite di supervisione o codificatore-decodificatore dell'attività di rilevamento degli oggetti.
Caratteristiche
- Crea un modello FPN codificatore-decodificatore con codificatore preaddestrato
- Creare un modello U-Net Encoder-Decoder
- Crea un modello FPN codificatore-decodificatore con codificatore preaddestrato
- Cambia il numero di canali di ingresso per l'Encoder
- Contare il numero di parametri nell'encoder/decoder e negli altri moduli
- Componi più perdite
Linguaggio di programmazione
Python
Categorie
Questa è un'applicazione che può anche essere recuperata da https://sourceforge.net/projects/pytorch-toolbelt.mirror/. È stato ospitato in OnWorks per poter essere eseguito online nel modo più semplice da uno dei nostri Sistemi Operativi gratuiti.
