Este é o aplicativo do Windows 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 qualquer emulador on-line OS OnWorks a partir deste site, mas um emulador on-line melhor do Windows.
- 5. No sistema operacional OnWorks Windows 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 e instale-o.
- 7. Baixe o Wine de seus repositórios de software de distribuição Linux. Depois de instalado, você pode clicar duas vezes no aplicativo para executá-lo com o Wine. Você também pode experimentar o PlayOnLinux, uma interface sofisticada do Wine que o ajudará a instalar programas e jogos populares do Windows.
Wine é uma forma de executar software Windows no Linux, mas sem a necessidade de Windows. Wine é uma camada de compatibilidade do Windows de código aberto que pode executar programas do Windows diretamente em qualquer desktop Linux. Essencialmente, o Wine está tentando reimplementar o suficiente do Windows do zero para que possa executar todos os aplicativos do Windows sem realmente precisar do Windows.
SCREENSHOTS
Ad
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.
Recursos
- 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.
