นี่คือแอป Windows ชื่อ DeepCTR ซึ่งสามารถดาวน์โหลดรุ่นล่าสุดได้เป็น v0.9.3.zip สามารถเรียกใช้ออนไลน์ใน OnWorks ผู้ให้บริการโฮสต์ฟรีสำหรับเวิร์กสเตชัน
ดาวน์โหลดและเรียกใช้แอปนี้ออนไลน์ชื่อ DeepCTR พร้อม OnWorks ฟรี
ทำตามคำแนะนำเหล่านี้เพื่อเรียกใช้แอปนี้:
- 1. ดาวน์โหลดแอปพลิเคชั่นนี้ในพีซีของคุณ
- 2. เข้าไปที่ file manager https://www.onworks.net/myfiles.php?username=XXXXX ด้วยชื่อผู้ใช้ที่คุณต้องการ
- 3. อัปโหลดแอปพลิเคชันนี้ในตัวจัดการไฟล์ดังกล่าว
- 4. เริ่มโปรแกรมจำลองออนไลน์ของ OS OnWorks จากเว็บไซต์นี้ แต่โปรแกรมจำลองออนไลน์ของ Windows ที่ดีกว่า
- 5. จากระบบปฏิบัติการ Windows ของ OnWorks ที่คุณเพิ่งเริ่มต้น ไปที่ตัวจัดการไฟล์ของเรา https://www.onworks.net/myfiles.php?username=XXXXX พร้อมชื่อผู้ใช้ที่คุณต้องการ
- 6. ดาวน์โหลดแอปพลิเคชั่นและติดตั้ง
- 7. ดาวน์โหลดไวน์จากที่เก็บซอฟต์แวร์ลีนุกซ์ดิสทริบิวชันของคุณ เมื่อติดตั้งแล้ว คุณสามารถดับเบิลคลิกที่แอปเพื่อเรียกใช้แอปด้วย Wine คุณยังสามารถลองใช้ PlayOnLinux ซึ่งเป็นอินเทอร์เฟซแฟนซีบน Wine ที่จะช่วยคุณติดตั้งโปรแกรมและเกมยอดนิยมของ Windows
ไวน์เป็นวิธีเรียกใช้ซอฟต์แวร์ Windows บน Linux แต่ไม่จำเป็นต้องใช้ Windows Wine เป็นเลเยอร์ความเข้ากันได้ของ Windows แบบโอเพ่นซอร์สที่สามารถเรียกใช้โปรแกรม Windows ได้โดยตรงบนเดสก์ท็อป Linux โดยพื้นฐานแล้ว Wine พยายามนำ Windows กลับมาใช้ใหม่ให้เพียงพอตั้งแต่เริ่มต้น เพื่อให้สามารถเรียกใช้แอปพลิเคชัน Windows เหล่านั้นทั้งหมดโดยไม่จำเป็นต้องใช้ Windows จริงๆ
ภาพหน้าจอ
Ad
DeepCTR
DESCRIPTION
DeepCTR คือแพ็คเกจ CTR แบบเรียนรู้เชิงลึกที่ใช้งานง่าย เป็นโมดูลและขยายได้ พร้อมด้วยเลเยอร์ส่วนประกอบหลักจำนวนมาก ซึ่งสามารถใช้เพื่อสร้างแบบจำลองที่กำหนดเองได้อย่างง่ายดาย คุณสามารถใช้โมเดลที่ซับซ้อนใดๆ กับ model.fit() และ model.predict() จัดเตรียม tf.keras.Model เช่นอินเทอร์เฟซสำหรับการทดลองอย่างรวดเร็ว จัดเตรียมอินเทอร์เฟซตัวประมาณเทนเซอร์โฟลว์สำหรับข้อมูลขนาดใหญ่และการฝึกอบรมแบบกระจาย มันเข้ากันได้กับทั้ง tf 1.x และ tf 2.x ด้วยความสำเร็จอันยิ่งใหญ่ของการเรียนรู้เชิงลึก เทคนิคที่ใช้ DNN ได้ถูกนำมาใช้กันอย่างแพร่หลายในงานทำนาย CTR ข้อมูลในงานประมาณค่า CTR มักจะประกอบด้วยคุณลักษณะการจัดหมวดหมู่ที่มีจำนวนเชิงบุคคลสูงและคุณลักษณะเชิงตัวเลขที่หนาแน่น เนื่องจาก DNN นั้นดีในการจัดการคุณสมบัติตัวเลขที่มีความหนาแน่นสูง เราจึงมักจะจับคู่คุณสมบัติที่เป็นหมวดหมู่แบบกระจายกับตัวเลขที่มีความหนาแน่นสูงโดยใช้เทคนิคการฝัง
คุณสมบัติ
- CCPM (แบบจำลองการคาดการณ์การคลิกแบบ Convolutional)
- PNN (โครงข่ายประสาทเทียมตามผลิตภัณฑ์)
- FNN (โครงข่ายประสาทที่รองรับการแยกตัวประกอบ)
- MLR (แบบจำลองการถดถอยโลจิสติกแบบผสม/แบบแยกส่วน)
- NFM (เครื่องแยกตัวประกอบประสาท)
- DCN (เครือข่ายลึกและข้าม)
ภาษาโปรแกรม
หลาม
หมวดหมู่
นี่คือแอปพลิเคชันที่สามารถดึงข้อมูลจาก https://sourceforge.net/projects/deepctr.mirror/ มีการโฮสต์ใน OnWorks เพื่อให้ทำงานออนไลน์ในวิธีที่ง่ายที่สุดจากหนึ่งในระบบปฏิบัติการฟรีของเรา