זוהי אפליקציית Windows בשם Fairseq שניתן להוריד את המהדורה האחרונה שלה בתור v0.10.2.zip. ניתן להפעיל אותו באופן מקוון בספק האירוח החינמי OnWorks עבור תחנות עבודה.
הורד והפעל באינטרנט את האפליקציה הזו בשם Fairseq עם OnWorks בחינם.
בצע את ההוראות הבאות כדי להפעיל את האפליקציה הזו:
- 1. הורד את היישום הזה למחשב שלך.
- 2. הזן במנהל הקבצים שלנו https://www.onworks.net/myfiles.php?username=XXXXX עם שם המשתמש שאתה רוצה.
- 3. העלה את היישום הזה במנהל קבצים כזה.
- 4. הפעל כל אמולטור מקוון של OS OnWorks מאתר זה, אך עדיף אמולטור מקוון של Windows.
- 5. ממערכת ההפעלה OnWorks Windows שזה עתה התחלת, עבור אל מנהל הקבצים שלנו https://www.onworks.net/myfiles.php?username=XXXXX עם שם המשתמש הרצוי.
- 6. הורד את האפליקציה והתקן אותה.
- 7. הורד את Wine ממאגרי התוכנה שלך להפצות לינוקס. לאחר ההתקנה, תוכל ללחוץ פעמיים על האפליקציה כדי להפעיל אותם עם Wine. אתה יכול גם לנסות את PlayOnLinux, ממשק מפואר מעל Wine שיעזור לך להתקין תוכניות ומשחקים פופולריים של Windows.
Wine היא דרך להפעיל תוכנת Windows על לינוקס, אך ללא צורך ב-Windows. Wine היא שכבת תאימות של Windows בקוד פתוח שיכולה להריץ תוכניות Windows ישירות על כל שולחן עבודה של לינוקס. בעיקרו של דבר, Wine מנסה להטמיע מחדש מספיק של Windows מאפס כדי שהוא יוכל להריץ את כל יישומי Windows מבלי להזדקק ל-Windows.
בצילומי מסך
Ad
Fairseq
תיאור
Fairseq(-py) הוא ערכת כלים למידול רצף המאפשרת לחוקרים ולמפתחים להכשיר מודלים מותאמים אישית לתרגום, סיכום, מודלים של שפות ומשימות יצירת טקסט אחרות. אנו מספקים יישומי עזר של ניירות דוגמנות רצף שונים. עבודה אחרונה של מיקרוסופט וגוגל הראתה שניתן להפוך את ההדרכה המקבילה לנתונים ליעילה משמעותית על ידי פיצול פרמטרי המודל ומצב האופטימיזציה בין עובדים מקבילים לנתונים. רעיונות אלה מובלעים במעטפת החדשה FullyShardedDataParallel (FSDP) שמסופקת על ידי fairscale. ניתן להרחיב את Fairseq באמצעות תוספים שסופקו על ידי המשתמש. מודלים מגדירים את ארכיטקטורת הרשת העצבית ומכילים את כל הפרמטרים הניתנים ללמידה. קריטריונים מחשבים את פונקציית ההפסד בהינתן התפוקות והיעדים של המודל. משימות מאחסנות מילונים ומספקות עוזרים לטעינה/איטרציה על מערכי נתונים, אתחול המודל/קריטריון וחישוב ההפסד.
תכונות
- אימון רב-GPU במכונה אחת או על פני מספר מכונות (נתונים ודגמים במקביל)
- יצירה מהירה הן במעבד והן ב-GPU עם אלגוריתמי חיפוש מרובים מיושמים
- צבירת שיפוע מאפשרת אימון עם מיני-אצטות גדולות אפילו על GPU יחיד
- אימון דיוק מעורב (מתאמן מהר יותר עם פחות זיכרון GPU בליבות הטנזור של NVIDIA)
- רשום בקלות מודלים חדשים, קריטריונים, משימות, מייעלים ומתזמני קצב למידה
- תצורה גמישה המבוססת על Hydra המאפשרת שילוב של קוד, שורת פקודה ותצורה מבוססת קבצים
שפת תכנות
פיתון
כל הקטגוריות
זוהי אפליקציה שניתן להביא גם מ-https://sourceforge.net/projects/fairseq.mirror/. הוא התארח ב-OnWorks על מנת להפעיל אותו באינטרנט בצורה הקלה ביותר מאחת ממערכות ההפעלה החינמיות שלנו.
