Dit is de Linux-app genaamd Fairseq waarvan de nieuwste release kan worden gedownload als v0.10.2.zip. Het kan online worden uitgevoerd in de gratis hostingprovider OnWorks voor werkstations.
Download en voer deze app met de naam Fairseq gratis online uit met OnWorks.
Volg deze instructies om deze app uit te voeren:
- 1. Download deze applicatie op uw pc.
- 2. Voer in onze bestandsbeheerder https://www.onworks.net/myfiles.php?username=XXXXX in met de gebruikersnaam die u wilt.
- 3. Upload deze applicatie in zo'n bestandsbeheerder.
- 4. Start de OnWorks Linux online of Windows online emulator of MACOS online emulator vanaf deze website.
- 5. Ga vanuit het OnWorks Linux-besturingssysteem dat u zojuist hebt gestart naar onze bestandsbeheerder https://www.onworks.net/myfiles.php?username=XXXXX met de gewenste gebruikersnaam.
- 6. Download de applicatie, installeer hem en voer hem uit.
SCHERMSCHERMEN:
Fairseq
BESCHRIJVING:
Fairseq(-py) is een toolkit voor sequentiemodellering waarmee onderzoekers en ontwikkelaars aangepaste modellen kunnen trainen voor vertaling, samenvatting, taalmodellering en andere taken voor het genereren van tekst. We bieden referentie-implementaties van verschillende sequentiemodelleringspapieren. Recent werk van Microsoft en Google heeft aangetoond dat gegevensparallelle training aanzienlijk efficiënter kan worden gemaakt door de modelparameters en de optimalisatiestatus te verdelen over gegevensparallelle werknemers. Deze ideeën zijn ingekapseld in de nieuwe FSDP-wrapper (FullyShardedDataParallel) van fairscale. Fairseq kan worden uitgebreid via door de gebruiker geleverde plug-ins. Modellen definiëren de architectuur van het neurale netwerk en omvatten alle leerbare parameters. Criteriums berekenen de verliesfunctie gegeven de modeloutputs en targets. Taken slaan woordenboeken op en bieden hulp bij het laden/itereren van datasets, het initialiseren van het model/criterium en het berekenen van het verlies.
Voordelen
- Multi-GPU-training op één machine of op meerdere machines (data en model parallel)
- Snelle generatie op zowel CPU als GPU met meerdere geïmplementeerde zoekalgoritmen
- Gradiëntaccumulatie maakt training met grote mini-batches mogelijk, zelfs op een enkele GPU
- Gemengde precisietraining (traint sneller met minder GPU-geheugen op NVIDIA-tensorkernen)
- Registreer eenvoudig nieuwe modellen, criteria, taken, optimizers en learning rate schedulers
- Flexibele configuratie op basis van Hydra waardoor een combinatie van code, opdrachtregel en op bestanden gebaseerde configuratie mogelijk is
Programmeertaal
Python
Categorieën
Dit is een applicatie die ook kan worden opgehaald van https://sourceforge.net/projects/fairseq.mirror/. Het is gehost in OnWorks, zodat het op de gemakkelijkste manier online kan worden uitgevoerd vanaf een van onze gratis besturingssystemen.