这是名为 SimSiam 的 Linux 应用程序,其最新版本可以下载为 simsiamsourcecode.tar.gz。它可以在免费的工作站托管服务提供商 OnWorks 上在线运行。
使用 OnWorks 免费下载并在线运行这个名为 SimSiam 的应用程序。
请按照以下说明运行此应用程序:
- 1. 在您的 PC 中下载此应用程序。
- 2. 在我们的文件管理器 https://www.onworks.net/myfiles.php?username=XXXXX 中输入您想要的用户名。
- 3. 在这样的文件管理器中上传这个应用程序。
- 4. 从此网站启动OnWorks Linux online 或Windows online emulator 或MACOS online emulator。
- 5. 从您刚刚启动的 OnWorks Linux 操作系统,使用您想要的用户名转到我们的文件管理器 https://www.onworks.net/myfiles.php?username=XXXXX。
- 6. 下载应用程序,安装并运行。
截图:
模拟暹罗
描述:
SimSiam 是 Xinlei Chen 和 Kaiming He 提出的“探索简单的孪生表征学习”的 PyTorch 实现。该项目引入了一种极简的自监督学习方法,避免了负样本对、动量编码器或大型存储库——这些是先前对比方法的关键复杂性。SimSiam 通过一个带有停止梯度操作的孪生神经网络,最大化同一图像的两个增强视图之间的相似性,从而学习图像表征,防止特征崩溃。这种优雅而有效的设计在 ImageNet 等无监督学习基准测试中取得了优异的成绩,且无需使用对比损失。该代码库提供用于无监督预训练和线性评估的脚本,默认使用 ResNet-50 主干网络。它兼容多 GPU 分布式训练,并且可以按照与 MoCo 相同的设置进行微调或迁移到目标检测等下游任务。
功能
- 没有负对或动量编码器的最小自监督学习框架
- 基于 PyTorch 的分布式多 GPU 训练优化实现
- 使用论文中的默认超参数,为 ImageNet 提供完全可重复的训练流程
- 包括无监督预训练和线性评估脚本
- 通过 NVIDIA Apex 支持 LARS 优化器进行大批量训练
- 与 MoCo 的物体检测传输设置兼容
程式语言
Python
分类
此应用程序也可从 https://sourceforge.net/projects/simsiam.mirror/ 获取。它已托管在 OnWorks 中,以便通过我们的免费操作系统之一以最便捷的方式在线运行。