Это приложение для Linux под названием Horovod, последний выпуск которого можно загрузить как CustomdataloadersinSparkTorchEstimator,moremodelparallelisminKeras,improvedallgatherperformance,fixesforlatestPyTorcandTensorFlowversions.zip. Его можно запустить онлайн на бесплатном хостинг-провайдере OnWorks для рабочих станций.
Загрузите и запустите онлайн это приложение Horovod с OnWorks бесплатно.
Следуйте этим инструкциям, чтобы запустить это приложение:
- 1. Загрузил это приложение на свой компьютер.
- 2. Введите в нашем файловом менеджере https://www.onworks.net/myfiles.php?username=XXXXX с желаемым именем пользователя.
- 3. Загрузите это приложение в такой файловый менеджер.
- 4. Запустите онлайн-эмулятор OnWorks Linux или Windows или онлайн-эмулятор MACOS с этого веб-сайта.
- 5. В только что запущенной ОС OnWorks Linux перейдите в наш файловый менеджер https://www.onworks.net/myfiles.php?username=XXXXX с желаемым именем пользователя.
- 6. Скачайте приложение, установите его и запустите.
СКРИНШОТЫ
Ad
Хоровод
ОПИСАНИЕ
Horovod изначально был разработан Uber, чтобы сделать распределенное глубокое обучение быстрым и простым в использовании, сократив время обучения модели с дней и недель до часов и минут. С помощью Horovod существующий сценарий обучения можно масштабировать для запуска на сотнях графических процессоров всего за несколько строк кода Python. Horovod можно установить локально или запустить сразу на облачных платформах, включая AWS, Azure и Databricks. Кроме того, Horovod может работать поверх Apache Spark, что позволяет объединить обработку данных и обучение моделей в единый конвейер. После настройки Horovod одну и ту же инфраструктуру можно использовать для обучения моделей с любой платформой, что упрощает переключение между TensorFlow, PyTorch, MXNet и будущими платформами по мере развития технологических стеков машинного обучения. Начните масштабировать обучение модели, написав всего несколько строк кода на Python. Масштабирование до сотен графических процессоров с эффективностью масштабирования более 90 %.
Особенности
- Распределенная среда обучения глубокому обучению
- Для TensorFlow, Keras, PyTorch и Apache MXNet
- Масштабирование до сотен графических процессоров с эффективностью масштабирования более 90 %.
- Начните масштабировать обучение модели, написав всего несколько строк кода на Python.
- Работает одинаково для TensorFlow, Keras, PyTorch и MXNet.
- Локально, в облаке и на Apache Spark
Язык программирования
Питон
Категории
Это приложение также можно загрузить с https://sourceforge.net/projects/horovod.mirror/. Он был размещен в OnWorks, чтобы его можно было легко запускать в Интернете с помощью одной из наших бесплатных операционных систем.
