Esta es la aplicación de Windows llamada DeepCTR-Torch cuya última versión se puede descargar como v0.2.9.zip. Se puede ejecutar en línea en el proveedor de alojamiento gratuito OnWorks para estaciones de trabajo.
Descargue y ejecute en línea esta aplicación llamada DeepCTR-Torch con OnWorks de forma gratuita.
Siga estas instrucciones para ejecutar esta aplicación:
- 1. Descargue esta aplicación en su PC.
- 2. Ingrese en nuestro administrador de archivos https://www.onworks.net/myfiles.php?username=XXXXX con el nombre de usuario que desee.
- 3. Cargue esta aplicación en dicho administrador de archivos.
- 4. Inicie cualquier emulador en línea de OS OnWorks desde este sitio web, pero mejor emulador en línea de Windows.
- 5. Desde el sistema operativo OnWorks Windows que acaba de iniciar, vaya a nuestro administrador de archivos https://www.onworks.net/myfiles.php?username=XXXXX con el nombre de usuario que desee.
- 6. Descarga la aplicación e instálala.
- 7. Descargue Wine desde los repositorios de software de sus distribuciones de Linux. Una vez instalada, puede hacer doble clic en la aplicación para ejecutarla con Wine. También puedes probar PlayOnLinux, una elegante interfaz sobre Wine que te ayudará a instalar programas y juegos populares de Windows.
Wine es una forma de ejecutar software de Windows en Linux, pero no requiere Windows. Wine es una capa de compatibilidad de Windows de código abierto que puede ejecutar programas de Windows directamente en cualquier escritorio de Linux. Esencialmente, Wine está tratando de volver a implementar una cantidad suficiente de Windows desde cero para poder ejecutar todas esas aplicaciones de Windows sin necesidad de Windows.
SCREENSHOTS
Ad
Antorcha DeepCTR
DESCRIPCIÓN
DeepCTR-Torch es un paquete modular y extensible fácil de usar de modelos CTR basados en aprendizaje profundo junto con muchas capas de componentes principales que se pueden usar para crear fácilmente su propio modelo personalizado. Es compatible con PyTorch. use cualquier modelo complejo con model.fit() y model.predict(). Con el gran éxito del aprendizaje profundo, las técnicas basadas en DNN se han utilizado ampliamente en tareas de estimación de CTR. Los datos en la tarea de estimación de CTR generalmente incluyen características categóricas de cardinalidad alta y escasa y algunas características numéricas densas. Low-order Extractor aprende la interacción de características a través del producto entre vectores. Factorization-Machine y sus variantes se utilizan ampliamente para aprender la interacción de características de bajo orden. Extractor de orden superior aprende la combinación de características a través de funciones de red neuronal complejas como MLP, Cross Net, etc.
Caracteristicas
- Máquina de factorización atencional
- Modelo lineal por partes
- Máquina de factorización neuronal
- Red de evolución de interés profundo
- Red neuronal basada en productos
- Modelo de predicción de clic convolucional
Lenguaje de programación
Python
Categorías
Esta es una aplicación que también se puede obtener desde https://sourceforge.net/projects/deepctr-torch.mirror/. Ha sido alojado en OnWorks para poder ejecutarse online de la forma más sencilla desde uno de nuestros Sistemas Operativos gratuitos.
