Đây là ứng dụng Linux có tên Uncertainty Baselines, phiên bản mới nhất có thể tải xuống dưới dạng uncertainty-baselinessourcecode.tar.gz. Ứng dụng có thể chạy trực tuyến trên nhà cung cấp dịch vụ lưu trữ miễn phí OnWorks dành cho máy trạm.
Tải xuống và chạy trực tuyến ứng dụng có tên Uncertainty Baselines với OnWorks miễn phí.
Làm theo các hướng dẫn sau để chạy ứng dụng này:
- 1. Đã tải ứng dụng này xuống PC của bạn.
- 2. Nhập vào trình quản lý tệp của chúng tôi https://www.onworks.net/myfiles.php?username=XXXXX với tên người dùng mà bạn muốn.
- 3. Tải lên ứng dụng này trong trình quản lý tệp như vậy.
- 4. Khởi động trình giả lập trực tuyến OnWorks Linux hoặc trình giả lập trực tuyến Windows hoặc trình mô phỏng trực tuyến MACOS từ trang web này.
- 5. Từ Hệ điều hành OnWorks Linux mà bạn vừa khởi động, hãy truy cập trình quản lý tệp của chúng tôi https://www.onworks.net/myfiles.php?username=XXXXX với tên người dùng mà bạn muốn.
- 6. Tải xuống ứng dụng, cài đặt và chạy nó.
MÀN HÌNH
Ad
Đường cơ sở bất định
MÔ TẢ
Uncertainty Baselines là tập hợp các quy trình đào tạo mạnh mẽ, được ghi chép đầy đủ, giúp việc đánh giá độ bất định dự đoán trong các mô hình học máy hiện đại trở nên dễ dàng. Thay vì cung cấp các tập lệnh đơn giản, nó cung cấp các công thức đầu cuối - dữ liệu đầu vào, kiến trúc mô hình, vòng lặp đào tạo, số liệu đánh giá và ghi nhật ký - để kết quả có thể so sánh được giữa các lần chạy và nhóm nghiên cứu. Thư viện bao gồm các phương thức và tác vụ chuẩn, từ phân loại hình ảnh và NLP đến các bài toán dạng bảng, với các đường cơ sở bao gồm cả phương pháp xác định và xác suất. Các kỹ thuật bao gồm các tập hợp sâu, bỏ qua Monte Carlo, thang đo nhiệt độ, suy luận biến phân ngẫu nhiên, đầu dị phương sai và quy trình phát hiện ngoài phân phối. Mỗi đường cơ sở đều nhấn mạnh vào khả năng tái tạo: hạt giống cố định, phân tách chuẩn và các số liệu mạnh như lỗi hiệu chuẩn, AUROC cho OOD và độ chính xác khi dịch chuyển.
Tính năng
- Đường ống đầu cuối, có thể tái tạo để đánh giá sự không chắc chắn
- Phạm vi bao phủ của các nhóm, MC dropout, SVI và các phương pháp hiệu chuẩn
- Các số liệu chuẩn hóa cho chất lượng phát hiện và hiệu chuẩn OOD
- Đường cơ sở trên các nhiệm vụ về thị giác, ngôn ngữ và bảng biểu
- Xóa các tệp cấu hình và ghi nhật ký để so sánh công bằng
- Các mặc định mạnh có thể được mở rộng cho các ý tưởng nghiên cứu mới
Ngôn ngữ lập trình
Python
Danh Mục
Đây là một ứng dụng cũng có thể được tải xuống từ https://sourceforge.net/projects/uncertainty-baselines.mirror/. Ứng dụng này được lưu trữ trên OnWorks để có thể chạy trực tuyến dễ dàng nhất từ một trong những Hệ điều hành miễn phí của chúng tôi.
