Este é o aplicativo Linux chamado Fairseq, cuja versão mais recente pode ser baixada como v0.10.2.zip. Ele pode ser executado online no provedor de hospedagem gratuito OnWorks para estações de trabalho.
Baixe e execute online este aplicativo chamado Fairseq com OnWorks gratuitamente.
Siga estas instruções para executar este aplicativo:
- 1. Baixe este aplicativo em seu PC.
- 2. Entre em nosso gerenciador de arquivos https://www.onworks.net/myfiles.php?username=XXXXX com o nome de usuário que você deseja.
- 3. Carregue este aplicativo em tal gerenciador de arquivos.
- 4. Inicie o emulador OnWorks Linux online ou Windows online ou emulador MACOS online a partir deste site.
- 5. No sistema operacional OnWorks Linux que você acabou de iniciar, acesse nosso gerenciador de arquivos https://www.onworks.net/myfiles.php?username=XXXXX com o nome de usuário que deseja.
- 6. Baixe o aplicativo, instale-o e execute-o.
CAPTURAS DE TELA:
Fairseq
DESCRIÇÃO:
Fairseq(-py) é um kit de ferramentas de modelagem de sequência que permite que pesquisadores e desenvolvedores treinem modelos personalizados para tradução, resumo, modelagem de linguagem e outras tarefas de geração de texto. Fornecemos implementações de referência de vários documentos de modelagem de sequência. Trabalhos recentes da Microsoft e do Google mostraram que o treinamento paralelo de dados pode ser significativamente mais eficiente ao fragmentar os parâmetros do modelo e o estado do otimizador em trabalhadores paralelos de dados. Essas ideias são encapsuladas no novo wrapper FullyShardedDataParallel (FSDP) fornecido pela fairscale. O Fairseq pode ser estendido por meio de plug-ins fornecidos pelo usuário. Os modelos definem a arquitetura da rede neural e encapsulam todos os parâmetros que podem ser aprendidos. Os critérios calculam a função de perda de acordo com as saídas e alvos do modelo. As tarefas armazenam dicionários e fornecem auxiliares para carregar/iterar em conjuntos de dados, inicializar o modelo/critério e calcular a perda.
Funcionalidades
- Treinamento multi-GPU em uma máquina ou em várias máquinas (dados e modelo paralelo)
- Geração rápida em CPU e GPU com vários algoritmos de pesquisa implementados
- O acúmulo de gradiente permite o treinamento com minilotes grandes, mesmo em uma única GPU
- Treinamento de precisão mista (treina mais rápido com menos memória GPU em núcleos tensores NVIDIA)
- Registre facilmente novos modelos, critérios, tarefas, otimizadores e programadores de taxa de aprendizado
- Configuração flexível baseada em Hydra, permitindo uma combinação de configuração baseada em código, linha de comando e arquivo
Linguagem de Programação
Python
Categorias
Este é um aplicativo que também pode ser obtido em https://sourceforge.net/projects/fairseq.mirror/. Ele foi hospedado no OnWorks para ser executado on-line da maneira mais fácil a partir de um de nossos sistemas operacionais gratuitos.