ນີ້ແມ່ນແອັບ Windows ທີ່ມີຊື່ວ່າ MAE (Masked Autoencoders) ເຊິ່ງລຸ້ນຫຼ້າສຸດສາມາດດາວໂຫຼດໄດ້ໃນນາມ maesourcecode.tar.gz. ມັນສາມາດດໍາເນີນການອອນໄລນ໌ຢູ່ໃນຜູ້ໃຫ້ບໍລິການໂຮດຕິ້ງຟຣີ OnWorks ສໍາລັບສະຖານີບ່ອນເຮັດວຽກ.
ດາວນ໌ໂຫລດແລະດໍາເນີນການອອນໄລນ໌ app ນີ້ມີຊື່ MAE (Masked Autoencoders) 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:
MAE (ຕົວເຂົ້າລະຫັດອັດຕະໂນມັດແບບໜ້າກາກ)
DESCRIPTION:
MAE (Masked Autoencoders) ແມ່ນໂຄງຮ່າງການຮຽນຮູ້ທີ່ຄວບຄຸມດ້ວຍຕົວເອງສຳລັບການຮຽນຮູ້ການສະແດງພາບໂດຍໃຊ້ການສ້າງແບບຈຳລອງຮູບພາບໜ້າກາກ. ມັນຝຶກອົບຮົມ Vision Transformer (ViT) ໂດຍການສຸ່ມໃສ່ຫນ້າກາກທີ່ມີອັດຕາສ່ວນສູງຂອງ patches ຮູບພາບ (ໂດຍປົກກະຕິ 75%) ແລະສ້າງເນື້ອໃນທີ່ຂາດຫາຍໄປຈາກ patches ທີ່ຍັງເຫຼືອ. ນີ້ບັງຄັບໃຫ້ຕົວແບບທີ່ຈະຮຽນຮູ້ໂຄງສ້າງ semantic ແລະສະພາບການທົ່ວໂລກໂດຍບໍ່ມີການຊີ້ນໍາ. ຕົວເຂົ້າລະຫັດຈະປະມວນຜົນພຽງແຕ່ແຜ່ນທີ່ເບິ່ງເຫັນໄດ້, ໃນຂະນະທີ່ຕົວຖອດລະຫັດທີ່ມີນ້ຳໜັກເບົາຈະສ້າງຮູບເຕັມຄືນໃໝ່ - ເຮັດໃຫ້ການເຝິກອົບຮົມການຄຳນວນມີປະສິດທິພາບ. ຫຼັງຈາກ pretraining, encoder ເຮັດຫນ້າທີ່ເປັນກະດູກສັນຫຼັງທີ່ມີປະສິດທິພາບສໍາລັບວຽກງານລຸ່ມນ້ໍາເຊັ່ນ: ການຈັດປະເພດຮູບພາບ, ການແບ່ງສ່ວນ, ແລະການກວດສອບ, ບັນລຸປະສິດທິພາບສູງສຸດດ້ວຍການປັບຫນ້ອຍທີ່ສຸດ. ຄັງເກັບມ້ຽນສະໜອງແບບຈໍາລອງທີ່ໄດ້ຝຶກອົບຮົມໄວ້ລ່ວງໜ້າ, ສະຄຣິບປັບລະອຽດ, ໂປຣໂຕຄໍການປະເມີນຜົນ, ແລະເຄື່ອງມືການເບິ່ງເຫັນສຳລັບຄຸນນະພາບການກໍ່ສ້າງຄືນໃໝ່ ແລະຄຸນສົມບັດທີ່ໄດ້ຮຽນຮູ້.
ຄຸນລັກສະນະ
- ການສ້າງແບບຈຳລອງຮູບພາບທີ່ມີໜ້າກາກດ້ວຍການໃສ່ໜ້າກາກທີ່ມີອັດຕາສ່ວນສູງແບບສຸ່ມ
- pretraining ປະສິດທິພາບໂດຍຜ່ານການແຍກ encoder-decoder (ການເຂົ້າລະຫັດເຫັນພຽງແຕ່ patches ສັງເກດເຫັນ)
- Scalable Vision Transformer backbone ສໍາລັບວຽກງານວິໄສທັດລົງລຸ່ມ
- ຮູບແບບທີ່ໄດ້ຝຶກໄວ້ລ່ວງໜ້າ ແລະຕົວໜັງສືປັບລະອຽດສຳລັບການຈັດປະເພດ, ການກວດຫາ, ແລະການແບ່ງສ່ວນ
- Visualization ເຄື່ອງມືສໍາລັບການ reconstruction ແລະການວິເຄາະເປັນຕົວແທນ
- ແຜນວາດການຝຶກອົບຮົມແບບຄວບຄຸມຕົນເອງບໍ່ຈຳເປັນຕ້ອງມີຂໍ້ມູນປ້າຍກຳກັບ
ພາສາການຂຽນໂປຣແກຣມ
Python
ປະເພດ
ນີ້ແມ່ນແອັບພລິເຄຊັນທີ່ຍັງສາມາດເອົາມາຈາກ https://sourceforge.net/projects/mae-masked-autoencoders.mirror/. ມັນໄດ້ຖືກຈັດຢູ່ໃນ OnWorks ເພື່ອໃຫ້ດໍາເນີນການອອນໄລນ໌ດ້ວຍວິທີທີ່ງ່າຍທີ່ສຸດຈາກຫນຶ່ງໃນລະບົບປະຕິບັດງານຟຣີຂອງພວກເຮົາ.