Bu, en son sürümü moco-v3sourcecode.tar.gz olarak indirilebilen MoCo v3 adlı Linux uygulamasıdır. İş istasyonları için ücretsiz barındırma sağlayıcısı OnWorks'te çevrimiçi olarak çalıştırılabilir.
MoCo v3 adlı bu uygulamayı OnWorks ile ücretsiz olarak çevrimiçi indirin ve çalıştırın.
Bu uygulamayı çalıştırmak için şu talimatları izleyin:
- 1. Bu uygulamayı PC'nize indirdiniz.
- 2. Dosya yöneticimize https://www.onworks.net/myfiles.php?username=XXXXX istediğiniz kullanıcı adını girin.
- 3. Bu uygulamayı böyle bir dosya yöneticisine yükleyin.
- 4. Bu web sitesinden OnWorks Linux çevrimiçi veya Windows çevrimiçi öykünücüsünü veya MACOS çevrimiçi öykünücüsünü başlatın.
- 5. Yeni başladığınız OnWorks Linux işletim sisteminden, istediğiniz kullanıcı adıyla https://www.onworks.net/myfiles.php?username=XXXXX dosya yöneticimize gidin.
- 6. Uygulamayı indirin, kurun ve çalıştırın.
EKRAN GÖRÜNTÜLERİ:
MoCo v3
AÇIKLAMA:
MoCo v3, Facebook Research'ün ResNet ve Vision Transformer (ViT) omurgalarını kullanarak görsel temsil öğrenimi için en son teknoloji ürünü öz-denetimli öğrenme çerçevesi Momentum Contrast v3'ün (MoCo v3) PyTorch tabanlı yeniden uygulamasıdır. Başlangıçta TPU'lar için TensorFlow'da geliştirilen bu sürüm, erişilebilir ve ölçeklenebilir bir PyTorch arayüzü sunarken, makalenin GPU'lar üzerindeki sonuçlarını sadık bir şekilde yeniden üretir. MoCo v3, karşılaştırmalı öğrenmeyi transformatör tabanlı mimarilerle birleştirerek öz-denetimli ViT'lerin eğitimi için iyileştirmeler sunar ve ImageNet kıyaslamalarında güçlü doğrusal ve uçtan uca ince ayar performansı sağlar. Havuz, çok düğümlü dağıtılmış eğitimi, otomatik karma hassasiyeti ve büyük toplu rejimler için öğrenme hızlarının doğrusal ölçeklenmesini destekler. Ayrıca, DeiT çerçevesi içinde öz-denetimli ön eğitim, doğrusal sınıflandırma ve ince ayar için betikler içerir.
Özellikler
- Transfer öğrenimi için ImageNet ve standart görme kıyaslamalarıyla uyumludur
- Ölçeklenebilir hiperparametreler ve toplu ayarlarla komut satırı bayrakları aracılığıyla yapılandırılabilir
- Kendi kendine denetlenen ön eğitim, doğrusal değerlendirme ve DeiT ince ayarı için entegre betikler
- Güçlü ImageNet sonuçları elde eder (örneğin, ResNet-50'de %74.6 doğrusal ilk 1, ViT-B'de %83.2 ince ayarlı)
- Karışık hassasiyetle büyük ölçekli çoklu GPU dağıtılmış eğitimini destekler
- ResNet ve ViT modelleri için kendi kendini denetleyen MoCo v3'ün PyTorch uygulaması
Programlama dili
Python
Kategoriler
Bu uygulama, https://sourceforge.net/projects/moco-v3.mirror/ adresinden de indirilebilir. Ücretsiz İşletim Sistemlerimizden birinden çevrimiçi olarak en kolay şekilde çalıştırılabilmesi için OnWorks'te barındırılmıştır.