این برنامه ویندوز با نام DeepCTR-Torch است که آخرین نسخه آن را می توان با عنوان v0.2.9.zip دانلود کرد. می توان آن را به صورت آنلاین در ارائه دهنده میزبانی رایگان OnWorks برای ایستگاه های کاری اجرا کرد.
این اپلیکیشن با نام DeepCTR-Torch را با OnWorks به صورت آنلاین دانلود و اجرا کنید.
برای اجرای این برنامه این دستورالعمل ها را دنبال کنید:
- 1. این برنامه را در رایانه شخصی خود دانلود کنید.
- 2. در فایل منیجر ما https://www.onworks.net/myfiles.php?username=XXXXX نام کاربری مورد نظر خود را وارد کنید.
- 3. این برنامه را در چنین فایل منیجر آپلود کنید.
- 4. هر شبیه ساز آنلاین OS OnWorks را از این وب سایت راه اندازی کنید، اما شبیه ساز آنلاین ویندوز بهتر است.
- 5. از OnWorks Windows OS که به تازگی راه اندازی کرده اید، به مدیر فایل ما https://www.onworks.net/myfiles.php?username=XXXXX با نام کاربری که می خواهید بروید.
- 6. برنامه را دانلود و نصب کنید.
- 7. Wine را از مخازن نرم افزار توزیع لینوکس خود دانلود کنید. پس از نصب، می توانید روی برنامه دوبار کلیک کنید تا آنها را با Wine اجرا کنید. همچنین می توانید PlayOnLinux را امتحان کنید، یک رابط کاربری فانتزی بر روی Wine که به شما کمک می کند برنامه ها و بازی های محبوب ویندوز را نصب کنید.
Wine راهی برای اجرای نرم افزار ویندوز بر روی لینوکس است، اما بدون نیاز به ویندوز. Wine یک لایه سازگار با ویندوز منبع باز است که می تواند برنامه های ویندوز را مستقیماً بر روی هر دسکتاپ لینوکس اجرا کند. اساساً، Wine در تلاش است تا به اندازه کافی از ویندوز را از ابتدا مجدداً پیاده سازی کند تا بتواند همه آن برنامه های ویندوز را بدون نیاز به ویندوز اجرا کند.
عکس ها
Ad
شیب دار
شرح
DeepCTR-Torch یک بسته ماژولار و قابل توسعه آسان برای استفاده از مدل‌های CTR مبتنی بر یادگیری عمیق به همراه بسیاری از لایه‌های اجزای اصلی است که می‌توان از آنها برای ساخت مدل سفارشی خود به راحتی استفاده کرد. این بسته با PyTorch سازگار است. شما می‌توانید از هر مدل پیچیده با model.fit() و model.predict() استفاده کنید. با موفقیت بزرگ یادگیری عمیق، تکنیک های مبتنی بر DNN به طور گسترده در وظایف تخمین CTR استفاده شده است. داده‌های موجود در کار تخمین CTR معمولاً شامل ویژگی‌های طبقه‌بندی پراکنده، پراکنده و برخی ویژگی‌های عددی متراکم است. Extractor مرتبه پایین تعامل ویژگی ها را از طریق محصول بین بردارها می آموزد. Factorization-Machine و انواع آن به طور گسترده ای برای یادگیری تعامل ویژگی های مرتبه پایین استفاده می شود. Extractor درجه بالا ترکیب ویژگی ها را از طریق توابع پیچیده شبکه عصبی مانند MLP، Cross Net و غیره می آموزد.
امکانات
- ماشین فاکتورسازی توجه
- مدل خطی تکه ای
- ماشین فاکتورسازی عصبی
- شبکه تکامل علاقه عمیق
- شبکه عصبی مبتنی بر محصول
- مدل پیش‌بینی کلیک کانولوشنال
زبان برنامه نویسی
پــایتــون
دسته بندی ها
این برنامه ای است که می تواند از https://sourceforge.net/projects/deepctr-torch.mirror/ نیز دریافت شود. در OnWorks میزبانی شده است تا به آسانی از یکی از سیستم عامل های رایگان ما به صورت آنلاین اجرا شود.
