To aplikacja na Linuksa o nazwie SimSiam, której najnowszą wersję można pobrać jako simsiamsourcecode.tar.gz. Można ją uruchomić online na darmowym hostingu OnWorks dla stacji roboczych.
Pobierz i uruchom bezpłatnie aplikację SimSiam 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.
ZRZUTY EKRANU
Ad
SimSiam
OPIS
SimSiam to implementacja w systemie PyTorch metody „Exploring Simple Siamese Representation Learning” autorstwa Xinlei Chen i Kaiming He. Projekt wprowadza minimalistyczne podejście do uczenia samonadzorowanego, które unika ujemnych par, koderów momentum i dużych banków pamięci – kluczowych złożoności wcześniejszych metod kontrastowych. SimSiam uczy się reprezentacji obrazu, maksymalizując podobieństwo między dwoma rozszerzonymi widokami tego samego obrazu za pomocą syjamskiej sieci neuronowej z operacją stop-gradient, zapobiegając kolapsowi cech. Ta elegancka, a zarazem efektywna konstrukcja osiąga dobre wyniki w testach porównawczych uczenia nienadzorowanego, takich jak ImageNet, bez konieczności strat kontrastowych. Repozytorium zawiera skrypty zarówno do nienadzorowanego treningu wstępnego, jak i do ewaluacji liniowej, domyślnie wykorzystując szkielet ResNet-50. Jest on kompatybilny z rozproszonym uczeniem wieloprocesorowym i może być precyzyjnie dostrojony lub przeniesiony do zadań podrzędnych, takich jak wykrywanie obiektów, zgodnie z tą samą konfiguracją co MoCo.
Funkcjonalności
- Minimalna struktura uczenia się pod nadzorem własnym bez par ujemnych lub koderów pędu
- Implementacja oparta na PyTorch zoptymalizowana pod kątem rozproszonego szkolenia wieloprocesorowego
- W pełni powtarzalny proces szkoleniowy dla ImageNet wykorzystujący domyślne hiperparametry z artykułu
- Zawiera skrypty wstępnego treningu bez nadzoru oraz skrypty oceny liniowej
- Obsługa optymalizatora LARS za pośrednictwem NVIDIA Apex do szkolenia dużych partii
- Kompatybilny z konfiguracjami transferu wykrywania obiektów firmy MoCo
Język programowania
Python
Kategorie
Tę aplikację można również pobrać ze strony https://sourceforge.net/projects/simsiam.mirror/. Została ona umieszczona w OnWorks, aby można ją było uruchomić online w najłatwiejszy sposób z jednego z naszych darmowych systemów operacyjnych.
