To aplikacja dla systemu Linux o nazwie MoCo v3, której najnowszą wersję można pobrać jako moco-v3sourcecode.tar.gz. Można ją uruchomić online na darmowym hostingu OnWorks dla stacji roboczych.
Pobierz i uruchom bezpłatnie aplikację MoCo v3 z OnWorks.
Postępuj zgodnie z tymi instrukcjami, aby uruchomić tę aplikację:
- 1. Pobrałem tę aplikację na swój komputer.
- 2. Wpisz w naszym menedżerze plików https://www.onworks.net/myfiles.php?username=XXXXX z wybraną nazwą użytkownika.
- 3. Prześlij tę aplikację w takim menedżerze plików.
- 4. Uruchom emulator online OnWorks Linux lub Windows online lub emulator online MACOS z tej witryny.
- 5. W systemie operacyjnym OnWorks Linux, który właśnie uruchomiłeś, przejdź do naszego menedżera plików https://www.onworks.net/myfiles.php?username=XXXXX z wybraną nazwą użytkownika.
- 6. Pobierz aplikację, zainstaluj ją i uruchom.
ZDJĘCIA EKRANU:
MoCo v3
OPIS:
MoCo v3 to reimplementacja Momentum Contrast v3 (MoCo v3) w PyTorch, najnowocześniejszego frameworka do samonadzorowanego uczenia się, opracowanego przez Facebook Research, do nauki reprezentacji wizualnej z wykorzystaniem szkieletów ResNet i Vision Transformer (ViT). Pierwotnie opracowana w TensorFlow dla procesorów TPU, ta wersja wiernie odtwarza wyniki badań na procesorach GPU, oferując jednocześnie przystępny i skalowalny interfejs PyTorch. MoCo v3 wprowadza ulepszenia do trenowania samonadzorowanych ViT poprzez połączenie uczenia kontrastywnego z architekturą opartą na transformatorach, co pozwala uzyskać wysoką wydajność liniowego i kompleksowego dostrajania w testach porównawczych ImageNet. Repozytorium obsługuje wielowęzłowe rozproszone trenowanie, automatyczną precyzję mieszaną oraz liniowe skalowanie szybkości uczenia się dla dużych pakietów. Zawiera również skrypty do samonadzorowanego wstępnego trenowania, klasyfikacji liniowej i dostrajania w ramach DeiT.
Funkcjonalności
- Zgodność z ImageNet i standardowymi testami porównawczymi wizji do transferu uczenia się
- Możliwość konfiguracji za pomocą flag wiersza poleceń ze skalowalnymi hiperparametrami i ustawieniami wsadowymi
- Zintegrowane skrypty do samodzielnego nadzorowanego szkolenia wstępnego, oceny liniowej i dostrajania DeiT
- Osiąga dobre wyniki w ImageNet (np. 74.6% liniowego top-1 w ResNet-50, 83.2% dostrojonego ViT-B)
- Obsługuje rozproszone szkolenie na dużą skalę z wykorzystaniem wielu procesorów GPU i mieszaną precyzją
- Implementacja PyTorch samonadzorowanego MoCo v3 dla modeli ResNet i ViT
Język programowania
Python
Kategorie
Tę aplikację można również pobrać ze strony https://sourceforge.net/projects/moco-v3.mirror/. Została ona umieszczona w OnWorks, aby można ją było najłatwiej uruchomić online z poziomu jednego z naszych darmowych systemów operacyjnych.