Ini ialah apl Windows bernama Pytorch-toolbelt yang keluaran terbarunya boleh dimuat turun sebagai PytorchToolbelt0.6.2.zip. Ia boleh dijalankan dalam talian dalam penyedia pengehosan percuma OnWorks untuk stesen kerja.
Muat turun dan jalankan dalam talian apl bernama Pytorch-toolbelt ini dengan OnWorks secara percuma.
Ikut arahan ini untuk menjalankan apl ini:
- 1. Memuat turun aplikasi ini dalam PC anda.
- 2. Masukkan dalam pengurus fail kami https://www.onworks.net/myfiles.php?username=XXXXX dengan nama pengguna yang anda mahukan.
- 3. Muat naik aplikasi ini dalam pengurus filem tersebut.
- 4. Mulakan mana-mana emulator dalam talian OS OnWorks daripada tapak web ini, tetapi emulator dalam talian Windows yang lebih baik.
- 5. Daripada OS Windows OnWorks yang baru anda mulakan, pergi ke pengurus fail kami https://www.onworks.net/myfiles.php?username=XXXX dengan nama pengguna yang anda mahukan.
- 6. Muat turun aplikasi dan pasangnya.
- 7. Muat turun Wine dari repositori perisian pengedaran Linux anda. Setelah dipasang, anda kemudian boleh mengklik dua kali aplikasi untuk menjalankannya dengan Wine. Anda juga boleh mencuba PlayOnLinux, antara muka mewah melalui Wine yang akan membantu anda memasang program dan permainan Windows yang popular.
Wain ialah cara untuk menjalankan perisian Windows pada Linux, tetapi tanpa Windows diperlukan. Wain ialah lapisan keserasian Windows sumber terbuka yang boleh menjalankan program Windows secara langsung pada mana-mana desktop Linux. Pada asasnya, Wine cuba untuk melaksanakan semula Windows yang mencukupi dari awal supaya ia boleh menjalankan semua aplikasi Windows tersebut tanpa memerlukan Windows.
SKRIN
Ad
Pytorch-toolbelt
DESCRIPTION
Pinggang alat pytorch ialah perpustakaan Python dengan set loceng dan wisel untuk PyTorch untuk prototaip R&D pantas dan pertanian Kaggle. Pembinaan model mudah menggunakan seni bina pengekod-penyahkod fleksibel. Modul: CoordConv, SCSE, Hypercolumn, Depthwise separable convolution dan banyak lagi. TTA pembesaran masa ujian mesra GPU untuk pembahagian dan pengelasan. Inferens mesra GPU pada imej besar (5000x5000). Rutin biasa setiap hari (baiki/pulihkan benih rawak, kegunaan sistem fail, metrik). Kerugian: BinaryFocalLoss, Focal, ReducedFocal, Lovasz, Jaccard dan Dice kerugian, Wing Loss dan banyak lagi. Tambahan untuk perpustakaan Catalyst (Visualisasi ramalan kelompok, metrik tambahan). Mengikut reka bentuk, kedua-dua pengekod dan penyahkod menghasilkan senarai tensor, daripada peta ciri halus (peleraian tinggi, diindeks 0) kepada kasar (peleraian rendah). Akses kepada semua peta ciri perantaraan adalah berfaedah jika anda ingin menggunakan kehilangan pengawasan yang mendalam pada mereka atau pengekod-penyahkod tugas pengesanan objek.
Ciri-ciri
- Cipta model FPN Pengekod-Penyahkod dengan pengekod terlatih
- Buat model U-Net Pengekod-Penyahkod
- Cipta model FPN Pengekod-Penyahkod dengan pengekod terlatih
- Tukar bilangan saluran input untuk Pengekod
- Kira bilangan parameter dalam pengekod/penyahkod dan modul lain
- Karang berbilang kerugian
Bahasa Pengaturcaraan
Python
Kategori
Ini adalah aplikasi yang juga boleh diambil dari https://sourceforge.net/projects/pytorch-toolbelt.mirror/. Ia telah dihoskan dalam OnWorks untuk dijalankan dalam talian dengan cara yang paling mudah daripada salah satu Sistem Operasi percuma kami.
