Hugging Face Fine-tuning Stable Diffusion 模型在 Intel Sapphire Rapids CPU 上的调优
Hugging Face 推出在 Intel Sapphire Rapids CPU 上进行 Stable Diffusion 模型微调的方法,利用 Intel Advanced Matrix Extensions (AMX) 加速深度学习工作负载,实现高效图像生成。
Hugging Face 推出在 Intel Sapphire Rapids CPU 上进行 Stable Diffusion 模型微调的方法,利用 Intel Advanced Matrix Extensions (AMX) 加速深度学习工作负载,实现高效图像生成。
Hugging Face 博客介绍了如何使用 Transformers.js 库创建实时机器学习网页游戏 Doodle Dash。该游戏基于 Google 的 Quick, Draw!
Hugging Face 推出 Inference Endpoints,简化开源 LLM 模型部署,支持 Falcon、LLaMA 等模型,提供自动扩缩、成本优化和高级安全功能。用户可通过简单操作部署模型,并使用 JavaScript 和 Python 进行流式响应测试。
Hugging Face 推出使用大型语言模型(LLM)构建网页应用生成器的教程,通过流式传输和渲染内容实现 AI 网页内容生成。教程介绍了在 Node.js 环境中使用 LLM 的方法,包括本地运行模型、使用云 API 和配置推理端点等。
Writer创始人Waseem Alshikh分享了公司从Hugging Face用户到贡献开源模型的历程,强调了Hugging Face Expert Acceleration Program对Writer的价值,并探讨了在CPU和GPU上大规模部署LLM的效率问题。
Hugging Face Spaces 现已集成 Panel 模板,支持用户在 Python 中构建强大的工具、仪表盘和复杂应用。Panel 是一个开源库,提供广泛的绘图库支持,并允许将 Jupyter 笔记本中的组件无缝集成到仪表盘中。此外,Panel 还支持构建复杂的多页面应用、高级交互功能、可视化大型数据集和实时数据流。
Hugging Face 博客介绍了如何使用 MMS Adapter 模型进行低资源语言语音识别的微调,该模型在 10-20 分钟的微调后实现了惊人的低词错误率。MMS 模型能够识别和转录 1100 多种语言,包括濒危语言,有助于保护语言多样性。
Hugging Face推出Livebook笔记本在Hugging Face Spaces中的应用部署,用户可通过Livebook构建基于Whisper模型的聊天应用,并自动将音频消息转换为文本。该应用展示了Livebook和Elixir机器学习生态系统的集成,包括与Hugging Face模型的集成、多玩家机器学习应用和并发机器学习模型服务等功能。
Hugging Face Hub 提供超过 19 万个机器学习模型、3.3 万个数据集和 10 万个应用和演示,涵盖预训练语言模型、图像和音频分类模型、目标检测模型以及各种生成模型。该平台支持 GLAM 领域的用户分享和访问机器学习模型和数据集,并提供了模型和数据的搜索、使用和分享功能。
Hugging Face Hub 现已提供 fastText 库的官方镜像,包括 157 种语言的词向量以及语言识别模型,方便用户下载和使用。fastText 库支持文本分类和特征提取小部件,并可通过 Hugging Face API 进行调用。
Hugging Face Unity API 教程指导用户在Unity游戏中实现先进的语音识别功能,可用于命令输入、NPC对话、提升可访问性等,教程包含设置场景、编写脚本、录音编码等步骤。
Hugging Face 举办首届开源 AI 游戏马拉松,鼓励开发者利用 AI 工具如 Stable Diffusion 创作游戏,活动将于 7 月 7-9 日举行,支持个人或团队参与,要求游戏可在网页或 Windows 上运行,并融入至少一个开源 AI 工具。
Hugging Face 推出专为 Amazon SageMaker 定制的 LLM 推理容器,支持部署开源 LLM 如 BLOOM,并优化了 Pythia Open Assistant Model 的部署,提供高性能文本生成和推理功能。
Hugging Face 探索了使用 InstructPix2Pix 指令微调 Stable Diffusion,使其能够根据用户指令对输入图像进行编辑。通过创建指令提示数据集,研究人员成功地将 FLAN V2 的指令微调理念应用于图像翻译和图像处理任务,如卡通化、去雨和去噪。实验结果表明,这种方法能够有效地提高模型对特定图像编辑指令的执行能力。
Hugging Face 博客介绍了 BigCode 的大规模文档级近似去重技术,旨在解决数据重复问题,提高模型训练效率和数据质量。该技术通过 MinHash LSH 等方法,在 OpenWebText2、Pile-CC 等大型数据集上实现了显著的去重效果,同时验证了其在代码模型上的有效性。
Vicuna 13B,一款由UC Berkeley等机构开发的13亿参数开源聊天机器人,在GPT-4的参考下达到90%以上质量。本文介绍了如何在单张AMD GPU上使用ROCm运行Vicuna 13B模型,包括系统要求、ROCm安装、Docker容器设置、模型量化和推理等步骤。
Hugging Face Unity API 允许开发者将 Hugging Face AI 模型集成到 Unity 项目中,支持多种任务如文本生成、分类、问答等。通过简单的步骤安装 API,并使用 API Wizard 配置模型和 API 密钥。API 支持异步调用,并提供回调处理响应或错误。
Hugging Face 推出使用 TensorFlow 和 TPUs 训练语言模型的指南,通过 XLA 和 TPUStrategy 实现高效训练。指南详细介绍了从训练分词器、准备数据集到模型训练和上传的整个过程,适用于 RoBERTa 模型,并支持扩展到更大模型和更强大的 TPU pod。
Hugging Face 博客介绍了如何使用开源模型 IF 在免费 Google Colab 上运行,并展示了其在图像生成方面的能力,包括图像变体和图像修复。
推荐理由:介绍了如何使用开源模型 IF 在免费 Google Colab 上运行,并展示了其在图像生成方面的能力。
Hugging Face Space 现可托管 Unity 游戏,支持构建、托管和分享演示。教程详细介绍了如何使用 Static HTML 模板创建空间,通过 Git 克隆空间,在 Unity 项目中设置 WebGL 构建目标,并最终在 Hugging Face Space 中托管游戏。
Microsoft 的 Graphormer 模型在 Hugging Face Transformers 库中被用于图分类任务,本文介绍了如何使用该模型进行图分类,包括数据加载、预处理、模型加载和微调等步骤。Graphormer 模型通过预训练和微调,能够有效地对图数据进行分类。
Substra是一个开源的联邦学习框架,旨在解决数据隐私和安全问题,通过联邦学习技术允许使用多个数据提供者的数据进行模型训练,而不必共享原始数据,从而保护数据隐私并加速机器学习研究。
推荐理由:原文介绍了Substra作为开源联邦学习框架的作用,以及其在医疗研究中的应用,读者可以了解联邦学习如何保护数据隐私并加速机器学习研究。
Intel Xeon Sapphire Rapids CPU 通过 Optimum Intel 和 OpenVINO 工具包,将 Stable Diffusion 模型推理速度提升至 4.7 秒,相比 Ice Lake Xeon 提升近 10 倍。此外,通过 jemalloc 和 libiomp 等系统级优化,进一步提升了内存操作和并行处理效率。
本教程展示了如何利用 Hugging Face 和 Flower 在多个客户端上联合训练语言模型。以对 IMDB 评分数据集进行序列分类为例,微调预训练的 Transformer 模型(distilBERT),以检测电影评分是正面还是负面。
Hugging Face 博客详细介绍了如何使用 ControlNet 和 diffusers 训练模型,包括规划条件、构建数据集和模型训练等步骤。以 Uncanny Faces 模型为例,展示了如何使用 FaceSynthetics 数据集进行训练,并讨论了模型训练过程中的挑战和解决方案。
Hugging Face Hub 现已增强对 Jupyter 笔记本的支持,提供更直观的渲染功能,并支持一键在 Google Colab 中直接打开笔记本,以促进模型和数据的共享与使用。
Hugging Face 社区利用开源机器学习和数据,快速构建了用于灾难救援的应用 afetharita,展示了开源社区在紧急情况下的作用和潜力。
推荐理由:原文展示了如何利用开源机器学习和数据,快速构建用于灾难救援的应用,读者可以了解开源社区在紧急情况下的作用和潜力。
Witty Works利用Hugging Face的专家加速计划,通过迁移学习预训练的spaCy模型,构建了写作助手,用于检测和过滤潜在偏见词汇。Hugging Face专家建议使用Sentence Transformers架构和SetFit库进行微调,以减少标注数据量并提高效率。最终,Witty Works在Azure上部署了模型,实现了低延迟。
Fetch公司利用Hugging Face和AWS平台,开发了自己的AI工具,用于处理用户上传的收据,实现数据分析和存储。通过这种方式,Fetch将开发时间缩短了30%,并提高了数据处理速度,同时降低了成本。
本教程介绍了如何使用ChatGPT等AI工具创作游戏故事,通过实际案例展示了AI在游戏开发中的应用。教程强调了语言模型在创作故事时的局限性,并提供了使用AI进行故事创作的实用技巧。
Hugging Face 推出 AI vs. AI,一个基于深度强化学习的多智能体竞赛系统,通过匹配算法、数据集和排行榜评估强化学习模型在多智能体环境中的性能。该系统采用 ELO 评分系统,通过模型间对抗性比赛生成相对技能评分,为多智能体环境提供一种稳健的评估技术。
Intel Sapphire Rapids CPU通过结合集群服务器和Intel Extension for PyTorch库,实现了与上一代Xeon相比的8倍速度提升,并展示了在Hugging Face Optimum Intel库支持下,对NLP模型进行推理的性能测试。
Hugging Face 博客发布了一篇关于使用 AI 工具生成 2D 资产的游戏开发教程,介绍了如何利用 Stable Diffusion 模型在 2D 工作流程中生成 2D 资产,并提供了具体的案例和步骤。教程适用于熟悉图像编辑和 2D 资产创建的读者,同时对于初学者和专家也具有参考价值。
本文探讨了AI在游戏开发中生成3D资产的应用。虽然目前文本到3D技术尚未成熟,但已有如DreamFusion、CLIPMatrix、CLIP-Mesh-SMPLX等工具在生成3D模型方面取得进展。然而,这些技术生成的模型需要大量后期处理才能用于游戏开发。未来,随着NeRF到网格的转换和网格生成技术的改进,文本到3D技术有望在游戏开发中发挥更大作用。
Hugging Face 发布了 Mask2Former 和 OneFormer,两种用于图像分割的神经网络,它们现在可在 Hugging Face Transformers 库中使用。Mask2Former 和 OneFormer 支持实例分割、语义分割和全景分割,并提供了使用指南和示例代码。
推荐理由:介绍了 Mask2Former 和 OneFormer 两种先进的图像分割神经网络,并提供了在 Hugging Face Transformers 库中使用的指南,对图像分割领域的研究者和开发者有参考价值。
Hugging Face 博客介绍了如何使用 🤗 Transformers 和 datasets 库构建图像相似度系统,通过计算图像嵌入并使用余弦相似度来比较查询图像和候选图像的相似度。该系统使用基于 ViT 的模型和 Beans 数据集,并支持扩展到其他视觉模型和图像数据集。
在5天内使用AI工具创建一个完整的农场游戏,本教程介绍了如何利用ChatGPT等AI工具进行游戏设计,包括作物多样性、挑战性进阶系统、动态交互环境、社交和多人游戏功能以及沉浸式故事或主题。同时,探讨了语言模型的工作原理及其在游戏开发中的应用,并讨论了ChatGPT的局限性。
本文介绍了图机器学习的基本概念、应用和代表性方法,包括图的结构、表示、预神经方法、图神经网络和图 Transformer。
推荐理由:本文介绍了图机器学习的基本概念、应用和代表性方法,对于想要了解该领域的读者具有参考价值。
在本系列教程中,作者将使用 AI 工具在 5 天内创建一个完整的农场游戏。教程介绍了如何使用 Stable Diffusion 模型生成游戏的艺术风格,并使用 Unity 游戏引擎实现游戏场景。教程适用于熟悉 Unity 开发和 C# 的读者。
Hugging Face 博客介绍了如何使用 Intel Sapphire Rapids 服务器集群加速 PyTorch Transformers 的训练。通过 Intel oneAPI Collective Communications Library (CCL) 和 Intel Extension for PyTorch (IPEX) 库,可以在不修改代码的情况下实现加速。