ນີ້ແມ່ນແອັບ Linux ທີ່ມີຊື່ວ່າ Fairseq ເຊິ່ງລຸ້ນຫຼ້າສຸດສາມາດດາວໂຫຼດໄດ້ເປັນ v0.10.2.zip. ມັນສາມາດດໍາເນີນການອອນໄລນ໌ຢູ່ໃນຜູ້ໃຫ້ບໍລິການໂຮດຕິ້ງຟຣີ OnWorks ສໍາລັບສະຖານີບ່ອນເຮັດວຽກ.
ດາວນ໌ໂຫລດແລະດໍາເນີນການອອນໄລນ໌ app ນີ້ມີຊື່ Fairseq ກັບ OnWorks ໄດ້ຟຣີ.
ປະຕິບັດຕາມຄໍາແນະນໍາເຫຼົ່ານີ້ເພື່ອດໍາເນີນການ app ນີ້:
- 1. ດາວໂຫຼດຄໍາຮ້ອງສະຫມັກນີ້ໃນ PC ຂອງທ່ານ.
- 2. ໃສ່ໃນຕົວຈັດການໄຟລ໌ຂອງພວກເຮົາ https://www.onworks.net/myfiles.php?username=XXXXX ດ້ວຍຊື່ຜູ້ໃຊ້ທີ່ທ່ານຕ້ອງການ.
- 3. ອັບໂຫລດແອັບພລິເຄຊັນນີ້ຢູ່ໃນຕົວຈັດການໄຟລ໌ດັ່ງກ່າວ.
- 4. ເລີ່ມ OnWorks Linux ອອນລາຍ ຫຼື Windows online emulator ຫຼື MACOS online emulator ຈາກເວັບໄຊທ໌ນີ້.
- 5. ຈາກ OnWorks Linux OS ທີ່ເຈົ້າຫາກໍ່ເລີ່ມຕົ້ນ, ໄປທີ່ຕົວຈັດການໄຟລ໌ຂອງພວກເຮົາ https://www.onworks.net/myfiles.php?username=XXXXX ດ້ວຍຊື່ຜູ້ໃຊ້ທີ່ທ່ານຕ້ອງການ.
- 6. ດາວນ໌ໂຫລດຄໍາຮ້ອງສະຫມັກ, ຕິດຕັ້ງມັນແລະດໍາເນີນການ.
ພາບຫນ້າຈໍ:
Fairseq
DESCRIPTION:
Fairseq(-py) ເປັນຊຸດເຄື່ອງມືການສ້າງແບບຈໍາລອງຕາມລໍາດັບທີ່ອະນຸຍາດໃຫ້ນັກຄົ້ນຄວ້າ ແລະນັກພັດທະນາສາມາດຝຶກອົບຮົມແບບຈໍາລອງແບບກຳນົດເອງສຳລັບການແປ, ການສະຫຼຸບ, ການສ້າງແບບຈໍາລອງພາສາ ແລະວຽກງານການສ້າງຂໍ້ຄວາມອື່ນໆ. ພວກເຮົາສະຫນອງການປະຕິບັດເອກະສານອ້າງອີງຂອງເອກະສານການສ້າງແບບຈໍາລອງລໍາດັບຕ່າງໆ. ວຽກງານທີ່ຜ່ານມາໂດຍ Microsoft ແລະ Google ໄດ້ສະແດງໃຫ້ເຫັນວ່າການຝຶກອົບຮົມແບບຂະຫນານຂໍ້ມູນສາມາດເຮັດໃຫ້ມີປະສິດທິພາບຫຼາຍຂຶ້ນໂດຍການແບ່ງຕົວກໍານົດການຂອງຕົວແບບແລະລັດ optimizer ໃນທົ່ວພະນັກງານຂະຫນານຂໍ້ມູນ. ແນວຄວາມຄິດເຫຼົ່ານີ້ຖືກຫຸ້ມຫໍ່ຢູ່ໃນຫໍ່ໃຫມ່ FullyShardedDataParallel (FSDP) ທີ່ສະຫນອງໃຫ້ໂດຍ fairscale. Fairseq ສາມາດຂະຫຍາຍໄດ້ຜ່ານປລັກອິນທີ່ສະໜອງໃຫ້ໂດຍຜູ້ໃຊ້. ແບບຈໍາລອງກໍານົດສະຖາປັດຕະຍະກໍາເຄືອຂ່າຍ neural ແລະ encapsulate ທັງຫມົດຂອງຕົວກໍານົດການທີ່ສາມາດຮຽນຮູ້ໄດ້. ເງື່ອນໄຂຄິດໄລ່ການທໍາງານການສູນເສຍທີ່ໃຫ້ຜົນໄດ້ຮັບຂອງຕົວແບບແລະເປົ້າຫມາຍ. Tasks ເກັບວັດຈະນານຸກົມແລະສະຫນອງການຊ່ວຍເຫຼືອສໍາລັບການໂຫຼດ / iterating ໃນໄລຍະຊຸດຂໍ້ມູນ, ການເລີ່ມຕົ້ນຕົວແບບ / ມາດຕະຖານແລະການຄິດໄລ່ການສູນເສຍ.
ຄຸນລັກສະນະ
- ການຝຶກອົບຮົມ Multi-GPU ໃນເຄື່ອງດຽວຫຼືໃນທົ່ວເຄື່ອງຫຼາຍ (ຂໍ້ມູນແລະຕົວແບບຂະຫນານ)
- ການຜະລິດໄວໃນທັງ CPU ແລະ GPU ທີ່ມີລະບົບຄົ້ນຫາຫຼາຍອັນຖືກປະຕິບັດ
- ການສະສົມແບບ Gradient ຊ່ວຍໃຫ້ການຝຶກອົບຮົມກັບຊຸດ mini-batch ຂະຫນາດໃຫຍ່ເຖິງແມ່ນວ່າຢູ່ໃນ GPU ດຽວ
- ການຝຶກອົບຮົມຄວາມແມ່ນຍໍາແບບປະສົມ (ການຝຶກອົບຮົມໄວຂຶ້ນດ້ວຍຫນ່ວຍຄວາມຈໍາ GPU ຫນ້ອຍໃນ NVIDIA tensor cores)
- ລົງທະບຽນຮູບແບບໃຫມ່ໄດ້ຢ່າງງ່າຍດາຍ, ມາດຕະຖານ, ວຽກງານ, optimizers ແລະການຈັດຕາຕະລາງອັດຕາການຮຽນຮູ້
- ການຕັ້ງຄ່າແບບຍືດຫຍຸ່ນໂດຍອີງໃສ່ Hydra ອະນຸຍາດໃຫ້ປະສົມປະສານຂອງລະຫັດ, ເສັ້ນຄໍາສັ່ງແລະການຕັ້ງຄ່າໂດຍອີງໃສ່ໄຟລ໌.
ພາສາການຂຽນໂປຣແກຣມ
Python
ປະເພດ
ນີ້ແມ່ນແອັບພລິເຄຊັນທີ່ຍັງສາມາດເອົາມາຈາກ https://sourceforge.net/projects/fairseq.mirror/. ມັນໄດ້ຖືກຈັດຢູ່ໃນ OnWorks ເພື່ອໃຫ້ດໍາເນີນການອອນໄລນ໌ໃນວິທີທີ່ງ່າຍທີ່ສຸດຈາກຫນຶ່ງໃນລະບົບປະຕິບັດງານຟຣີຂອງພວກເຮົາ.