ນີ້ແມ່ນແອັບ Windows ທີ່ມີຊື່ວ່າ DeepCTR ເຊິ່ງລຸ້ນຫຼ້າສຸດສາມາດດາວໂຫຼດໄດ້ເປັນ v0.9.3.zip. ມັນສາມາດດໍາເນີນການອອນໄລນ໌ຢູ່ໃນຜູ້ໃຫ້ບໍລິການໂຮດຕິ້ງຟຣີ OnWorks ສໍາລັບສະຖານີເຮັດວຽກ.
ດາວນ໌ໂຫລດແລະດໍາເນີນການອອນໄລນ໌ app ນີ້ມີຊື່ DeepCTR 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 emulator ອອນ ໄລ ນ ໌ OS OnWorks ຈາກ ເວັບ ໄຊ ທ ໌ ນີ້, ແຕ່ ດີກ ວ່າ Windows ອອນ ໄລ ນ ໌ emulator.
- 5. ຈາກ OnWorks Windows OS ທີ່ເຈົ້າຫາກໍ່ເລີ່ມຕົ້ນ, ໄປທີ່ຕົວຈັດການໄຟລ໌ຂອງພວກເຮົາ https://www.onworks.net/myfiles.php?username=XXXXX ດ້ວຍຊື່ຜູ້ໃຊ້ທີ່ທ່ານຕ້ອງການ.
- 6. ດາວນ໌ໂຫລດຄໍາຮ້ອງສະຫມັກແລະຕິດຕັ້ງມັນ.
- 7. ດາວໂຫລດ Wine ຈາກບ່ອນເກັບມ້ຽນຊອບແວການແຈກຢາຍ Linux ຂອງທ່ານ. ເມື່ອຕິດຕັ້ງແລ້ວ, ທ່ານສາມາດຄລິກສອງຄັ້ງ app ເພື່ອດໍາເນີນການໃຫ້ເຂົາເຈົ້າກັບ Wine. ນອກນັ້ນທ່ານຍັງສາມາດລອງ PlayOnLinux, ການໂຕ້ຕອບທີ່ແປກປະຫຼາດໃນໄລຍະ Wine ທີ່ຈະຊ່ວຍໃຫ້ທ່ານຕິດຕັ້ງໂປລແກລມ Windows ແລະເກມທີ່ນິຍົມ.
ເຫຼົ້າແວງເປັນວິທີການແລ່ນຊອບແວ Windows ໃນ Linux, ແຕ່ບໍ່ມີ Windows ທີ່ຕ້ອງການ. ເຫຼົ້າແວງແມ່ນຊັ້ນຄວາມເຂົ້າກັນໄດ້ຂອງ Windows ແຫຼ່ງເປີດທີ່ສາມາດເອີ້ນໃຊ້ໂຄງການ Windows ໂດຍກົງໃນ desktop Linux ໃດກໍໄດ້. ໂດຍພື້ນຖານແລ້ວ, Wine ກໍາລັງພະຍາຍາມປະຕິບັດໃຫມ່ຢ່າງພຽງພໍຂອງ Windows ຕັ້ງແຕ່ເລີ່ມຕົ້ນເພື່ອໃຫ້ມັນສາມາດດໍາເນີນການຄໍາຮ້ອງສະຫມັກ Windows ທັງຫມົດໄດ້ໂດຍບໍ່ຕ້ອງໃຊ້ Windows.
ພາບຫນ້າຈໍ:
DeepCTR
DESCRIPTION:
DeepCTR ເປັນຊຸດທີ່ງ່າຍຕໍ່ການໃຊ້, Modular ແລະ Extendible ຂອງແບບຈໍາລອງ CTR ໂດຍອີງໃສ່ການຮຽນຮູ້ເລິກພ້ອມກັບຊັ້ນອົງປະກອບຫຼັກຈໍານວນຫລາຍທີ່ສາມາດຖືກນໍາໃຊ້ເພື່ອສ້າງຕົວແບບທີ່ກໍາຫນົດເອງໄດ້ຢ່າງງ່າຍດາຍ. ທ່ານສາມາດນໍາໃຊ້ຕົວແບບສະລັບສັບຊ້ອນທີ່ມີ model.fit(), ແລະ model.predict(). ໃຫ້ tf.keras.Model ຄ້າຍຄືການໂຕ້ຕອບສໍາລັບການທົດລອງໄວ. ສະຫນອງການໂຕ້ຕອບ tensorflow ສໍາລັບຂໍ້ມູນຂະຫນາດໃຫຍ່ແລະການຝຶກອົບຮົມແຈກຢາຍ. ມັນເຂົ້າກັນໄດ້ກັບທັງ tf 1.x ແລະ tf 2.x. ດ້ວຍຄວາມສໍາເລັດອັນຍິ່ງໃຫຍ່ຂອງການຮຽນຮູ້ເລິກເຊິ່ງ, ເຕັກນິກທີ່ອີງໃສ່ DNN ໄດ້ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນວຽກງານການຄາດຄະເນ CTR. ຂໍ້ມູນໃນວຽກງານການຄາດຄະເນ CTR ປົກກະຕິແລ້ວປະກອບມີ sparse ສູງ, ລັກສະນະປະເພດ cardinality ສູງແລະບາງລັກສະນະຕົວເລກທີ່ຫນາແຫນ້ນ. ເນື່ອງຈາກ DNN ມີຄວາມດີໃນການຈັດການລັກສະນະຕົວເລກທີ່ຫນາແຫນ້ນ, ພວກເຮົາປົກກະຕິແລ້ວແຜນທີ່ລັກສະນະການຈັດປະເພດເລັກນ້ອຍກັບຕົວເລກທີ່ຫນາແຫນ້ນໂດຍຜ່ານເຕັກນິກການຝັງ.
ຄຸນລັກສະນະ
- CCPM (ຕົວແບບການຄາດເດົາການຄລິກ Convolutional)
- PNN (ເຄືອຂ່າຍ Neural ທີ່ອີງໃສ່ຜະລິດຕະພັນ)
- FNN (ເຄືອຂ່າຍ Neural ທີ່ຮອງຮັບປັດໄຈປັດໄຈ)
- MLR(ຕົວແບບເສັ້ນຊື່ແບບປະສົມ/ແບບເສັ້ນເສັ້ນແບບປະສົມ)
- NFM (ເຄື່ອງແຍກປັດໄຈທາງປະສາດ)
- DCN (Deep & Cross Network)
ພາສາການຂຽນໂປຣແກຣມ
Python
ປະເພດ
ນີ້ແມ່ນແອັບພລິເຄຊັນທີ່ຍັງສາມາດເອົາມາຈາກ https://sourceforge.net/projects/deepctr.mirror/. ມັນໄດ້ຖືກຈັດຢູ່ໃນ OnWorks ເພື່ອໃຫ້ດໍາເນີນການອອນໄລນ໌ໃນວິທີທີ່ງ່າຍທີ່ສຸດຈາກຫນຶ່ງໃນລະບົບປະຕິບັດງານຟຣີຂອງພວກເຮົາ.