ນີ້ແມ່ນແອັບ Windows ທີ່ມີຊື່ວ່າ Fairseq ເຊິ່ງລຸ້ນຫຼ້າສຸດສາມາດດາວໂຫຼດໄດ້ເປັນ v0.10.2.zip. ມັນສາມາດດໍາເນີນການອອນໄລນ໌ຢູ່ໃນຜູ້ໃຫ້ບໍລິການໂຮດຕິ້ງຟຣີ OnWorks ສໍາລັບສະຖານີເຮັດວຽກ.
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 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.
ໜ້າ ຈໍ
Ad
Fairseq
ລາຍລະອຽດ
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.
