Це програма для Linux під назвою Fairseq, останню версію якої можна завантажити як v0.10.2.zip. Його можна запустити в режимі онлайн за допомогою безкоштовного хостинг-провайдера OnWorks для робочих станцій.
Завантажте та запустіть онлайн цю програму під назвою Fairseq з OnWorks безкоштовно.
Дотримуйтесь цих інструкцій, щоб запустити цю програму:
- 1. Завантажив цю програму на свій ПК.
- 2. Введіть у наш файловий менеджер https://www.onworks.net/myfiles.php?username=XXXXX із потрібним ім'ям користувача.
- 3. Завантажте цю програму в такий файловий менеджер.
- 4. Запустіть онлайн-емулятор OnWorks Linux або Windows або онлайн-емулятор MACOS з цього веб-сайту.
- 5. З ОС OnWorks Linux, яку ви щойно запустили, перейдіть до нашого файлового менеджера https://www.onworks.net/myfiles.php?username=XXXXX з потрібним іменем користувача.
- 6. Завантажте програму, встановіть її та запустіть.
СКРЕНИ:
Fairseq
ОПИС:
Fairseq(-py) — це набір інструментів моделювання послідовності, який дозволяє дослідникам і розробникам тренувати власні моделі для перекладу, узагальнення, мовного моделювання та інших завдань генерації тексту. Ми надаємо довідкові реалізації різних документів для моделювання послідовності. Нещодавні роботи Microsoft і Google показали, що паралельне навчання даних можна зробити значно ефективнішим, розділивши параметри моделі та стан оптимізатора між паралельними працівниками даних. Ці ідеї інкапсульовані в новій обгортці FullyShardedDataParallel (FSDP), наданій fairscale. Fairseq можна розширити за допомогою плагінів, які надає користувач. Моделі визначають архітектуру нейронної мережі та інкапсулюють усі параметри, які можна вивчати. Критерії обчислюють функцію втрат з урахуванням вихідних даних і цілей моделі. Tasks зберігає словники та надає помічники для завантаження/перебирання наборів даних, ініціалізації моделі/критерію та обчислення втрат.
риси
- Навчання з кількома графічними процесорами на одній машині або на кількох машинах (паралельні дані та моделі)
- Швидке генерування як на CPU, так і на GPU з реалізованим кількома алгоритмами пошуку
- Накопичення градієнтів дає змогу тренуватися з великими міні-пакетами навіть на одному GPU
- Тренування змішаної точності (тренується швидше з меншою кількістю пам’яті GPU на тензорних ядрах NVIDIA)
- Легко реєструйте нові моделі, критерії, завдання, оптимізатори та планувальники швидкості навчання
- Гнучка конфігурація на основі Hydra, що дозволяє комбінувати конфігурацію на основі коду, командного рядка та файлу
Мова програмування
Python
Категорії
Це додаток, який також можна отримати з https://sourceforge.net/projects/fairseq.mirror/. Його розміщено в OnWorks, щоб його можна було запустити в Інтернеті найпростішим способом з однієї з наших безкоштовних операційних систем.