This is the Linux app named Theseus whose latest release can be downloaded as 0.2.2sourcecode.tar.gz. It can be run online in the free hosting provider OnWorks for workstations.
Baixe e execute online este aplicativo chamado Theseus 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.
SCREENSHOTS
Ad
Teseu
DESCRIÇÃO
Theseus é uma biblioteca para otimização não linear diferenciável que permite incorporar solucionadores como Gauss-Newton ou Levenberg-Marquardt em modelos PyTorch. Os problemas são expressos como grafos fatoriais com variáveis em variedades (por exemplo, SE(3), SO(3)), de modo que tarefas clássicas de robótica e visão — ajuste de feixes, otimização de grafos de pose, calibração mão-olho — podem ser escritas de forma sucinta e resolvidas de forma eficiente. Como as soluções são diferenciáveis, é possível retropropagar por meio da otimização para aprender pesos de custo, extratores de recursos ou redes de inicialização de ponta a ponta. A implementação suporta otimização em lote na GPU, perdas robustas, estratégias de amortecimento e fatores personalizados, tornando-a prática para sistemas de tempo real. Pacotes auxiliares fornecem primitivas de geometria e utilitários para compor priors, restrições relativas e modelos de medição. Theseus preenche a lacuna entre a otimização clássica e o aprendizado profundo, permitindo sistemas híbridos que aprendem componentes.
Recursos
- Solucionadores diferenciáveis de Gauss-Newton e Levenberg-Marquardt em PyTorch
- API de gráfico de fator com variáveis múltiplas como SE(3) e SO(3)
- Soluções em lote aceleradas por GPU com funções de perda robustas
- Suporte Autograd para aprender custos, recursos ou inicializações de ponta a ponta
- Auxiliares de geometria e fatores reutilizáveis para SLAM e ajuste de pacotes
- Design extensível para variáveis, fatores e políticas de amortecimento personalizados
Linguagem de Programação
Python
Categorias
Este é um aplicativo que também pode ser obtido em https://sourceforge.net/projects/theseus.mirror/. Ele foi hospedado no OnWorks para ser executado online da maneira mais fácil em um de nossos sistemas operacionais gratuitos.
