This is the Linux app named Higher whose latest release can be downloaded as higherv0.2.1sourcecode.zip. It can be run online in the free hosting provider OnWorks for workstations.
Download en gebruik online gratis deze app met de naam Higher with 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:
Hoger
BESCHRIJVING:
higher is een gespecialiseerde bibliotheek die is ontworpen om de mogelijkheden van PyTorch uit te breiden door hogere-orde differentiatie en meta-leren mogelijk te maken via differentieerbare optimalisatielussen. Het stelt ontwikkelaars en onderzoekers in staat om gradiënten te berekenen door hele optimalisatieprocessen heen, wat essentieel is voor taken zoals meta-leren, hyperparameteroptimalisatie en modelaanpassing. De bibliotheek introduceert hulpprogramma's die standaard torch.nn.Module-instanties omzetten in "stateless" functionele vormen, zodat parameterupdates kunnen worden behandeld als differentieerbare bewerkingen. Het biedt ook differentieerbare implementaties van gangbare optimizers zoals SGD en Adam, waardoor backpropagate mogelijk is door een willekeurig aantal optimalisatiestappen binnen de binnenlus. Door een duidelijke en flexibele interface te bieden, vereenvoudigt higher het bouwen van complexe leeralgoritmen die gradiënttracking over meerdere updateniveaus vereisen. Het ontwerp garandeert compatibiliteit met bestaande PyTorch-modellen.
Kenmerken
- Maakt differentieerbare optimalisatie van de binnenlus en gradiënttracking mogelijk via updates
- Converteert torch.nn.Module-modellen naar functionele, stateloze vormen voor meta-leren
- Biedt differentieerbare versies van standaardoptimizers zoals Adam en SGD
- Maakt uitgevouwen optimalisatie mogelijk voor hogere-orde gradiëntberekeningen
- Integreert eenvoudig in bestaande PyTorch-workflows met minimale aanpassingen
- Ondersteunt aangepaste differentieerbare optimalisatoren via registratie en subklassen
Programmeertaal
Python
Categorieën
Deze applicatie kan ook worden gedownload van https://sourceforge.net/projects/higher.mirror/. Deze is gehost in OnWorks, zodat deze eenvoudig online kan worden uitgevoerd via een van onze gratis besturingssystemen.