Ito ang Linux app na pinangalanang Mixup-CIFAR10 na ang pinakabagong release ay maaaring ma-download bilang mixup-cifar10sourcecode.tar.gz. 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 Mixup-CIFAR10 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.
Mixup-CIFAR10
DESCRIPTION:
Ang mixup-cifar10 ay ang opisyal na pagpapatupad ng PyTorch ng "mixup: Beyond Empirical Risk Minimization" (Zhang et al., ICLR 2018), isang foundational paper na nagpapakilala ng mixup, isang simple ngunit malakas na diskarte sa pagpapalaki ng data para sa pagsasanay ng mga malalim na neural network. Ang pangunahing ideya ng mixup ay upang makabuo ng mga synthetic na halimbawa ng pagsasanay sa pamamagitan ng pagkuha ng mga convex na kumbinasyon ng mga pares ng input sample at ang kanilang mga label. Sa pamamagitan ng interpolation ng parehong data at mga label, natututo ang modelo ng mas malinaw na mga hangganan ng desisyon at nagiging mas matatag sa ingay at mga adversarial na halimbawa. Ang repositoryong ito ay nagpapatupad ng mixup para sa CIFAR-10 dataset, na nagpapakita ng pagiging epektibo nito sa pagpapabuti ng generalization, stability, at calibration ng mga neural network. Ang diskarte ay nagsisilbing regularizer, na naghihikayat sa linear na gawi sa feature space sa pagitan ng mga sample, na nakakatulong na bawasan ang overfitting at mapahusay ang performance sa hindi nakikitang data.
Mga tampok
- Simple, madaling mapalawak na codebase para sa pananaliksik at eksperimento
- Batay sa orihinal na mga resulta ng publikasyon ng ICLR 2018
- Tugma sa PyTorch at GPU-accelerated na pagsasanay
- Nagpapakita ng mga makabuluhang tagumpay sa paglalahat at katatagan
- Sinasanay ang mga neural network sa matambok na kumbinasyon ng mga input at label
- Pagpapatupad ng mixup data augmentation para sa CIFAR-10 classification
Wika ng Programming
Sawa
Kategorya
Ito ay isang application na maaari ding makuha mula sa https://sourceforge.net/projects/mixup-cifar10.mirror/. Na-host ito sa OnWorks upang mapatakbo online sa pinakamadaling paraan mula sa isa sa aming mga libreng Operative System.