Aceasta este aplicația Linux numită Fairseq a cărei ultimă versiune poate fi descărcată ca v0.10.2.zip. Poate fi rulat online în furnizorul de găzduire gratuit OnWorks pentru stații de lucru.
Descărcați și rulați online această aplicație numită Fairseq cu OnWorks gratuit.
Urmați aceste instrucțiuni pentru a rula această aplicație:
- 1. Ați descărcat această aplicație pe computer.
- 2. Introduceți în managerul nostru de fișiere https://www.onworks.net/myfiles.php?username=XXXXX cu numele de utilizator pe care îl doriți.
- 3. Încărcați această aplicație într-un astfel de manager de fișiere.
- 4. Porniți emulatorul online OnWorks Linux sau Windows online sau emulatorul online MACOS de pe acest site web.
- 5. Din sistemul de operare OnWorks Linux pe care tocmai l-ați pornit, accesați managerul nostru de fișiere https://www.onworks.net/myfiles.php?username=XXXXX cu numele de utilizator dorit.
- 6. Descărcați aplicația, instalați-o și rulați-o.
CAPTURĂ DE ECRAN:
Fairseq
DESCRIERE:
Fairseq(-py) este un set de instrumente de modelare a secvenței care permite cercetătorilor și dezvoltatorilor să antreneze modele personalizate pentru traducere, rezumare, modelare lingvistică și alte sarcini de generare de text. Oferim implementări de referință ale diferitelor lucrări de modelare a secvenței. Lucrările recente ale Microsoft și Google au arătat că instruirea în paralel cu date poate fi eficientizată semnificativ prin împărțirea parametrilor modelului și a stării optimizatorului între lucrătorii în paralel cu date. Aceste idei sunt încapsulate în noul wrapper FullyShardedDataParallel (FSDP) oferit de fairscale. Fairseq poate fi extins prin plug-in-uri furnizate de utilizator. Modelele definesc arhitectura rețelei neuronale și încapsulează toți parametrii învățați. Criteriile calculează funcția de pierdere având în vedere rezultatele și obiectivele modelului. Sarcinile stochează dicționare și oferă asistență pentru încărcarea/iterația peste seturile de date, inițializarea modelului/criteriului și calcularea pierderii.
DESCRIERE
- Antrenament multi-GPU pe o singură mașină sau pe mai multe mașini (date și model paralel)
- Generare rapidă atât pe CPU, cât și pe GPU, cu mai mulți algoritmi de căutare implementați
- Acumularea gradientului permite antrenamentul cu mini-loturi mari chiar și pe un singur GPU
- Antrenament mixt de precizie (se antrenează mai rapid cu mai puțină memorie GPU pe nucleele tensorului NVIDIA)
- Înregistrați cu ușurință noi modele, criterii, sarcini, optimizatori și programatori ai ratei de învățare
- Configurație flexibilă bazată pe Hydra, care permite o combinație de cod, linie de comandă și configurație bazată pe fișiere
Limbaj de programare
Piton
Categorii
Aceasta este o aplicație care poate fi preluată și de la https://sourceforge.net/projects/fairseq.mirror/. A fost găzduit în OnWorks pentru a fi rulat online într-un mod cât mai ușor de pe unul dintre sistemele noastre operative gratuite.