Dit is de Linux-app Mixup-CIFAR10, waarvan de nieuwste versie kan worden gedownload als mixup-cifar10sourcecode.tar.gz. Deze kan online worden uitgevoerd via de gratis hostingprovider OnWorks voor werkstations.
Download en gebruik online gratis deze app genaamd Mixup-CIFAR10 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.
Mixup-CIFAR10
BESCHRIJVING:
mixup-cifar10 is de officiële PyTorch-implementatie van "mixup: Beyond Empirical Risk Minimization" (Zhang et al., ICLR 2018), een fundamenteel artikel dat mixup introduceert, een eenvoudige maar krachtige data-augmentatietechniek voor het trainen van diepe neurale netwerken. Het kernidee van mixup is het genereren van synthetische trainingsvoorbeelden door convexe combinaties van paren invoermonsters en hun labels te gebruiken. Door zowel data als labels te interpoleren, leert het model soepelere beslissingsgrenzen en wordt het robuuster tegen ruis en tegenstrijdige voorbeelden. Deze repository implementeert mixup voor de CIFAR-10-dataset en toont de effectiviteit ervan aan bij het verbeteren van generalisatie, stabiliteit en kalibratie van neurale netwerken. De aanpak fungeert als een regularisator en stimuleert lineair gedrag in de kenmerkenruimte tussen monsters, wat helpt bij het verminderen van overfitting en het verbeteren van de prestaties op ongeziene data.
Kenmerken
- Eenvoudige, gemakkelijk uitbreidbare codebase voor onderzoek en experimenten
- Gebaseerd op de originele ICLR-publicatieresultaten van 2018
- Compatibel met PyTorch en GPU-versnelde training
- Toont aanzienlijke winst in generalisatie en robuustheid
- Traint neurale netwerken op convexe combinaties van inputs en labels
- Implementatie van mixup-data-uitbreiding voor CIFAR-10-classificatie
Programmeertaal
Python
Categorieën
Deze applicatie kan ook worden gedownload van https://sourceforge.net/projects/mixup-cifar10.mirror/. Deze is gehost in OnWorks, zodat deze eenvoudig online kan worden uitgevoerd via een van onze gratis besturingssystemen.