Rumah > Peranti teknologi > AI > Teknologi Mininglamp mengeluarkan TensorBoard.cpp sumber terbuka percuma untuk mempromosikan pra-latihan model besar

Teknologi Mininglamp mengeluarkan TensorBoard.cpp sumber terbuka percuma untuk mempromosikan pra-latihan model besar

PHPz
Lepaskan: 2023-08-14 08:17:02
ke hadapan
807 orang telah melayarinya

Baru-baru ini, Mininglamp Technology Group telah melaksanakan antara muka C++ alat visualisasi pembelajaran mesin - TensorBoard, yang seterusnya memperkayakan set alatan projek model besar berasaskan C++, menjadikan pemantauan proses pra-latihan model besar lebih mudah dan cekap dan mempercepatkan Proses pra-latihan model besar dalam bidang pemasaran. Alat ini adalah sumber terbuka pada Github.

TensorBoard ialah alat visualisasi pembelajaran mesin yang dibangunkan oleh Google dan biasanya digunakan untuk memantau pelbagai penunjuk proses pembelajaran mesin. Zhao Liang, pengarah teknikal kanan Mininglamp Technology, berkata: "Semasa proses latihan model besar, pemantauan data adalah dimensi penting, dan TensorBoard menggambarkan pelbagai parameter dan keputusan dalam model, seperti merekodkan perubahan kehilangan dan pengesahan proses latihan Set perubahan PPL, perubahan kadar pembelajaran, penggunaan Token, kelewatan kemas kini parameter satu langkah dan penunjuk lain untuk membantu menganalisis status latihan, menemui masalah yang timbul semasa proses latihan dan mengambil langkah intervensi yang tepat pada masanya untuk memperbaiki proses dan kesan latihan model besar .”

Minglue Technology antara muka C++ Halaman alat TensorBoard ialah sumber terbukaTeknologi Mininglamp mengeluarkan TensorBoard.cpp sumber terbuka percuma untuk mempromosikan pra-latihan model besar

Sebelum ini, TensorBoard hanya menyokong antara muka bahasa Python. Kali ini, Mininglamp Technology melaksanakan TensorBoard melalui C++,

akan memperkayakan lagi set alat projek model besar berdasarkan C++,

meningkatkan kecekapan latihan dan pemantauan model dengan ketara, mempercepatkan proses latihan model, dan alatan selepas menulis semula antara muka akan menggunakan data berbilang dimensi Corak memaparkan penunjuk latihan, termasuk skalar, histogram, imej, pengumpulan imej, audio, teks dan corak data lain. Kit alat dikongsi melalui projek github Tensorboard.cpp, membantu lebih ramai penyelidik dan pembangun untuk mengambil bahagian dalam dan mempercepatkan proses pembangunan model besar, dan mempromosikan penerokaan aplikasi kecerdasan buatan dalam pelbagai bidang. Teknologi

Minglue telah membuka dua toolkit di GTeknologi Mininglamp mengeluarkan TensorBoard.cpp sumber terbuka percuma untuk mempromosikan pra-latihan model besar

ithub: ASR-Blockformer dan Tensorboard.CPP

HAO JIE, CTO Mininglamp Technology Group, berkata:

"Kami mahu membuat model besar dalam bidang pemasaran di bawah keperluan kecekapan yang lebih tinggi dan kos yang lebih rendah, keupayaan model besar perlu ditingkatkan melalui teknologi adaptif Model besar industri yang baik perlu mempunyai logik dan kelancaran bahasa model besar umum, dan mereka juga perlu untuk mempunyai logik dan kelancaran bahasa yang sama Untuk mencapai keaslian dan profesionalisme dalam industri tertentu atau bidang khusus yang tidak tersedia dalam model besar umum, kami mendasarkan usaha kami pada data industri besar-besaran yang terkumpul oleh Mininglamp Technology sejak 17 tahun lalu, bermula. daripada keperluan sebenar pelanggan dan memanfaatkan sejumlah besar data Dengan bantuan alat visualisasi pemantauan latihan, kami akan meningkatkan kelajuan latihan, mengesan masalah tepat pada masanya, dan mewujudkan industri yang lebih dipercayai dan berkesan untuk pelanggan kami model.”

Atas ialah kandungan terperinci Teknologi Mininglamp mengeluarkan TensorBoard.cpp sumber terbuka percuma untuk mempromosikan pra-latihan model besar. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Label berkaitan:
sumber:51cto.com
Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn
Tutorial Popular
Lagi>
Muat turun terkini
Lagi>
kesan web
Kod sumber laman web
Bahan laman web
Templat hujung hadapan