This is the Windows app named PyTorch-BigGraph whose latest release can be downloaded as torchbiggraph-1.0.0.tar.gz. It can be run online in the free hosting provider OnWorks for workstations.
I-download at patakbuhin online ang app na ito na pinangalanang PyTorch-BigGraph na may 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. Magsimula ng anumang OS OnWorks online emulator mula sa website na ito, ngunit mas mahusay na Windows online emulator.
- 5. Mula sa OnWorks Windows 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 at i-install ito.
- 7. I-download ang Wine mula sa iyong mga Linux distributions software repository. Kapag na-install na, maaari mong i-double click ang app upang patakbuhin ang mga ito gamit ang Wine. Maaari mo ring subukan ang PlayOnLinux, isang magarbong interface sa ibabaw ng Wine na tutulong sa iyong mag-install ng mga sikat na programa at laro sa Windows.
Ang alak ay isang paraan upang patakbuhin ang software ng Windows sa Linux, ngunit walang kinakailangang Windows. Ang alak ay isang open-source na layer ng compatibility ng Windows na maaaring direktang magpatakbo ng mga program sa Windows sa anumang desktop ng Linux. Sa totoo lang, sinusubukan ng Wine na muling ipatupad ang sapat na Windows mula sa simula upang mapatakbo nito ang lahat ng mga Windows application na iyon nang hindi talaga nangangailangan ng Windows.
MGA LALAKI
Ad
PyTorch-BigGraph
DESCRIPTION
Ang PyTorch-BigGraph (PBG) ay isang sistema para sa pag-aaral ng mga pag-embed sa malalaking graph—isipin ang bilyun-bilyong node at mga gilid—gamit ang partitioning at distributed na pagsasanay upang mapanatiling tractable ang memory at compute. Pinaghiwa-hiwalay nito ang mga entity sa mga partition at mga bucket na gilid upang ang bawat training pass ay dumampi lamang sa isang maliit na hiwa ng mga parameter, na lubhang nagpapababa ng peak RAM at nagbibigay-daan sa pahalang na pag-scale sa mga makina. Sinusuportahan ng PBG ang mga multi-relasyon na graph (mga graph ng kaalaman) na may mga function ng pagmamarka na partikular sa kaugnayan, mga diskarte sa negatibong sampling, at mga na-type na entity, na ginagawa itong angkop para sa hula at pagkuha ng link. Ang training loop nito ay binuo para sa throughput: asynchronous na I/O, memory-mapped tensors, at lock-free update na nagpapanatili sa mga GPU at CPU na pinapakain kahit na sa matinding sukat. Kasama sa toolkit ang mga sukatan ng pagsusuri at mga tool sa pag-export upang ang mga natutunang pag-embed ay magagamit sa downstream na pinakamalapit na kapitbahay na paghahanap, rekomendasyon, o analytics. Sa pagsasagawa, ang disenyo ng PBG ay nagbibigay-daan sa mga practitioner na magsanay ng mga de-kalidad na pag-embed ng graph.
Mga tampok
- Pinaghati-hati na pagsasanay para sa bilyon-scale na mga graph
- Multi-relation scoring para sa hula ng link ng graph ng kaalaman
- Mahusay na negatibong sampling at edge bucketing
- Mga kagamitan sa pag-export at pagsusuri para sa ANN at downstream na mga gawain
- Asynchronous na I/O na may memory-mapped tensors
- Ibinahagi, multi-machine na pagsasanay na may simpleng orkestrasyon
Wika ng Programming
Sawa
Kategorya
Ito ay isang application na maaari ding makuha mula sa https://sourceforge.net/projects/pytorch-biggraph.mirror/. Na-host ito sa OnWorks upang mapatakbo online sa pinakamadaling paraan mula sa isa sa aming mga libreng Operative System.
