Dies ist die Windows-App namens DeepCTR-Torch, deren neueste Version als v0.2.9.zip heruntergeladen werden kann. Es kann online im kostenlosen Hosting-Anbieter OnWorks für Workstations betrieben werden.
Laden Sie diese App namens DeepCTR-Torch 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 einen beliebigen OS OnWorks-Online-Emulator von dieser Website, aber einen besseren Windows-Online-Emulator.
- 5. Rufen Sie vom gerade gestarteten OnWorks Windows-Betriebssystem unseren Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX mit dem gewünschten Benutzernamen auf.
- 6. Laden Sie die Anwendung herunter und installieren Sie sie.
- 7. Laden Sie Wine aus den Software-Repositorys Ihrer Linux-Distributionen herunter. Nach der Installation können Sie dann auf die App doppelklicken, um sie mit Wine auszuführen. Sie können auch PlayOnLinux ausprobieren, eine schicke Schnittstelle über Wine, die Ihnen bei der Installation beliebter Windows-Programme und -Spiele hilft.
Wine ist eine Möglichkeit, Windows-Software unter Linux auszuführen, jedoch ohne Windows. Wine ist eine Open-Source-Windows-Kompatibilitätsschicht, die Windows-Programme direkt auf jedem Linux-Desktop ausführen kann. Im Wesentlichen versucht Wine, genügend Windows von Grund auf neu zu implementieren, damit alle diese Windows-Anwendungen ausgeführt werden können, ohne dass Windows tatsächlich benötigt wird.
SCREENSHOTS:
DeepCTR-Taschenlampe
BESCHREIBUNG:
DeepCTR-Torch ist ein benutzerfreundliches, modulares und erweiterbares Paket von Deep-Learning-basierten CTR-Modellen zusammen mit vielen Kernkomponentenschichten, die zum einfachen Erstellen Ihres eigenen benutzerdefinierten Modells verwendet werden können. Es ist mit PyTorch kompatibel. Sie können Verwenden Sie ein beliebiges komplexes Modell mit model.fit() und model.predict(). Mit dem großen Erfolg von Deep Learning wurden DNN-basierte Techniken weit verbreitet in CTR-Schätzungsaufgaben eingesetzt. Die Daten in der CTR-Schätzaufgabe enthalten normalerweise kategoriale Merkmale mit hoher Dichte und hoher Kardinalität und einige numerische Merkmale mit hoher Dichte. Der Extraktor niedriger Ordnung lernt die Merkmalsinteraktion durch das Produkt zwischen Vektoren. Factorization-Machine und seine Varianten werden häufig verwendet, um die Interaktion von Merkmalen niedriger Ordnung zu lernen. High-Order Extractor lernt Feature-Kombination durch komplexe neuronale Netzwerkfunktionen wie MLP, Cross Net usw.
Eigenschaften
- Maschine zur Faktorisierung der Aufmerksamkeit
- Stückweises lineares Modell
- Maschine zur neuronalen Faktorisierung
- Deep Interest Evolution Network
- Produktbasiertes neuronales Netzwerk
- Faltungsklick-Vorhersagemodell
Programmiersprache
Python
Kategorien
Dies ist eine Anwendung, die auch von https://sourceforge.net/projects/deepctr-torch.mirror/ abgerufen werden kann. Es wurde in OnWorks gehostet, damit es auf einfachste Weise online von einem unserer kostenlosen Betriebssysteme ausgeführt werden kann.