Dies ist die Linux-App namens Catalyst, deren neueste Version als Catalyst21.12.zip heruntergeladen werden kann. Es kann online beim kostenlosen Hosting-Anbieter OnWorks für Workstations ausgeführt werden.
Laden Sie diese App namens Catalyst mit OnWorks kostenlos herunter und führen Sie sie online aus.
Befolgen Sie diese Anweisungen, um diese App auszuführen:
- 1. Diese Anwendung auf Ihren PC heruntergeladen.
- 2. Geben Sie in unserem Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX den gewünschten Benutzernamen ein.
- 3. Laden Sie diese Anwendung in einem solchen Dateimanager hoch.
- 4. Starten Sie den OnWorks Linux-Online- oder Windows-Online-Emulator oder den MACOS-Online-Emulator von dieser Website.
- 5. Rufen Sie vom gerade gestarteten OnWorks Linux-Betriebssystem aus unseren Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX mit dem gewünschten Benutzernamen auf.
- 6. Laden Sie die Anwendung herunter, installieren Sie sie und führen Sie sie aus.
SCREENSHOTS:
Katalysatoren
BESCHREIBUNG:
Catalyst ist ein PyTorch-Framework für beschleunigte Deep-Learning-Forschung und -Entwicklung. Damit können Sie mit nur wenigen Codezeilen kompakte, aber voll funktionsfähige Deep-Learning-Pipelines schreiben. Mit Catalyst erhalten Sie einen vollständigen Satz an Funktionen, einschließlich einer Trainingsschleife mit Metriken, Modell-Checkpointing und mehr, alles ohne Boilerplate. Catalyst konzentriert sich auf Reproduzierbarkeit, schnelles Experimentieren und die Wiederverwendung der Codebasis, sodass Sie den Kreislauf des Schreibens einer weiteren regulären Zugschleife durchbrechen und etwas völlig Neues schaffen können.
Catalyst ist mit Python 3.6+ kompatibel. PyTorch 1.1+ und wurde auf Ubuntu 16.04/18.04/20.04, macOS 10.15, Windows 10 und dem Windows-Subsystem für Linux getestet. Es ist Teil des PyTorch-Ökosystems sowie des Catalyst-Ökosystems, das Alchemy (Protokollierung und Visualisierung von Experimenten) und Reaction (praktische Bereitstellung von Deep-Learning-Modellen) umfasst.
Eigenschaften
- Universelle Zug-/Inferenzschleife
- Konfigurationsdateien für Modell-/Daten-Hyperparameter
- Alle Quellcode- und Umgebungsvariablen werden zur Reproduzierbarkeit gespeichert
- Rückrufe – wiederverwendbare Zug-/Inferenz-Pipeline-Teile mit einfacher Anpassung
- Unterstützung für Ausbildungsphasen
- Best Practices für Deep Learning – SWA, AdamW, Ranger-Optimierer, OneCycle und mehr
- Best Practices für Entwicklungen – fp16-Unterstützung, verteiltes Training, Slurm-Unterstützung
Programmiersprache
Python
Kategorien
Dies ist eine Anwendung, die auch von https://sourceforge.net/projects/catalyst.mirror/ abgerufen werden kann. Es wurde in OnWorks gehostet, um es auf einfachste Weise online über eines unserer kostenlosen Betriebssysteme ausführen zu können.