Ito ang Linux app na pinangalanang Fairseq na ang pinakabagong release ay maaaring ma-download bilang v0.10.2.zip. Maaari itong patakbuhin online sa libreng hosting provider na OnWorks para sa mga workstation.
I-download at patakbuhin online ang app na ito na pinangalanang Fairseq sa OnWorks nang libre.
Sundin ang mga tagubiling ito upang patakbuhin ang app na ito:
- 1. Na-download ang application na ito sa iyong PC.
- 2. Ipasok sa aming file manager https://www.onworks.net/myfiles.php?username=XXXXX kasama ang username na gusto mo.
- 3. I-upload ang application na ito sa naturang filemanager.
- 4. Simulan ang OnWorks Linux online o Windows online emulator o MACOS online emulator mula sa website na ito.
- 5. Mula sa OnWorks Linux OS na kasisimula mo pa lang, pumunta sa aming file manager https://www.onworks.net/myfiles.php?username=XXXX gamit ang username na gusto mo.
- 6. I-download ang application, i-install ito at patakbuhin ito.
MGA SCREENSHOT:
Fairseq
DESCRIPTION:
Ang Fairseq(-py) ay isang sequence modeling toolkit na nagbibigay-daan sa mga mananaliksik at developer na magsanay ng mga custom na modelo para sa pagsasalin, pagbubuod, pagmomodelo ng wika at iba pang mga gawain sa pagbuo ng teksto. Nagbibigay kami ng mga reference na pagpapatupad ng iba't ibang sequence modelling paper. Ipinakita ng kamakailang gawain ng Microsoft at Google na ang data parallel training ay maaaring gawing mas mahusay sa pamamagitan ng pag-shard sa mga parameter ng modelo at estado ng optimizer sa mga parallel na manggagawa ng data. Ang mga ideyang ito ay naka-encapsulated sa bagong FullyShardedDataParallel (FSDP) wrapper na ibinigay ng fairscale. Maaaring palawigin ang Fairseq sa pamamagitan ng mga plug-in na ibinigay ng user. Tinutukoy ng mga modelo ang arkitektura ng neural network at isinasama ang lahat ng mga natutunang parameter. Kinakalkula ng mga pamantayan ang function ng pagkawala na ibinigay sa mga output at target ng modelo. Ang Tasks ay nag-iimbak ng mga diksyunaryo at nagbibigay ng mga katulong para sa pag-load/pag-ulit sa mga Dataset, pagsisimula ng Modelo/Pamantayan at pagkalkula ng pagkawala.
Mga tampok
- Multi-GPU na pagsasanay sa isang makina o sa maraming makina (parallel ng data at modelo)
- Mabilis na henerasyon sa parehong CPU at GPU na may maraming algorithm sa paghahanap na ipinatupad
- Ang gradient accumulation ay nagbibigay-daan sa pagsasanay na may malalaking mini-batch kahit sa isang GPU
- Mixed precision training (nagsasanay nang mas mabilis na may mas kaunting memorya ng GPU sa NVIDIA tensor cores)
- Madaling magrehistro ng mga bagong modelo, pamantayan, gawain, optimizer at learning rate scheduler
- Flexible na configuration batay sa Hydra na nagbibigay-daan sa kumbinasyon ng code, command-line at file based na configuration
Wika ng Programming
Sawa
Kategorya
Ito ay isang application na maaari ding makuha mula sa https://sourceforge.net/projects/fairseq.mirror/. Na-host ito sa OnWorks upang mapatakbo online sa pinakamadaling paraan mula sa isa sa aming mga libreng Operative System.