Fetch 与 Hugging Face 合作,利用 AWS 构建AI工具,节省30%开发时间
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。
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。
Hugging Face推出Inference Endpoints服务,旨在简化Transformer模型的部署。该服务支持在AWS、Azure和GCP等云平台上部署模型,并支持多种实例类型,包括GPU。
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。
Dark Crystal 协议通过数学算法实现数据的分布式备份,用户可选择托管者保管备份。该协议100%开源,支持JavaScript、Java和Rust语言实现。目前,Dark Crystal 正在Goerli测试网发布alpha版本,并专注于消息传输、多钱包支持和设计优化。
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。
PaddlePaddle,自2016年起由百度开源的深度学习平台,已拥有超过535万开发者和20万家企业用户。PaddlePaddle提供多种开源库,如PaddleOCR、PaddleDetection、PaddleNLP等,并计划逐步将其库与Hugging Face Hub集成,预计将提供全系列预训练模型。
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。
CLIPSeg,一款零样本图像分割模型,使用🤗 transformers,可创建粗略分割掩码,适用于机器人感知、图像修复等多种任务。该模型基于CLIP模型,通过Transformer解码器实现零样本分割,支持视觉提示功能,但输出分辨率较低。若需更精确的分割,可使用Segments.ai等工具进行微调。
Hugging Face 推出模型卡片创建工具和指南,旨在提高机器学习模型的文档质量,包括模型卡片创建工具、更新模板、注释模板、用户研究和文献综述。
推荐理由:Hugging Face 推出模型卡片创建工具和指南,旨在提高机器学习模型的文档质量,对开发者、学生、政策制定者等不同背景的用户都有价值。
Hugging Face 🤗 Datasets 是一个开源库,支持用户下载和准备来自所有领域的音频数据集。其简洁的 API 允许用户通过一行 Python 代码下载和准备数据集,并提供了高效的预处理功能。
Ethereum 协议支持团队组织了 KZG Ceremony 支持计划,旨在资助不同实现方案和独特贡献方法,以促进 Ethereum 扩缩性倡议。资助申请截止至 2023 年 1 月 31 日,资助金额从 500 美元至 10,000 美元不等。
Hugging Face 推出 Bumblebee 库,实现 Hugging Face Transformers 在 Elixir 中的纯 Elixir 实现,助力 Elixir 社区 AI 发展。
VQ-Diffusion 是由中国科学院大学和微软共同开发的一种条件潜在扩散模型,它使用离散潜在空间进行噪声和去噪过程,为图像生成领域带来了新的研究方向。
推荐理由:VQ-Diffusion 是一种新颖的图像生成模型,其独特的离散潜在空间处理方式为图像生成领域带来了新的研究方向。
Hugging Face发布2023实习生招聘计划,涵盖开源团队、科学团队及其他职位,旨在推动AI和机器学习领域的发展,并强调多元化和包容性。实习生将参与前沿项目,如加速库集成、文本到语音、具身AI、分布式训练框架等。申请者可通过Hugging Face招聘门户直接申请。
Hugging Face 发布了关于扩散模型的免费教程,并组织了直播活动,邀请多位专家分享扩散模型的理论和应用。
Hugging Face 提供免费推理小部件和 API,支持模型快速测试和部署;Inference Endpoints 可在 AWS 或 Azure 上部署模型,支持自动扩展和多种安全级别;Spaces 可在简单 UI 框架上部署模型,支持硬件升级。
Hugging Face 博客介绍了一种使用 Concrete-ML 库在完全同态加密(FHE)环境下进行机器学习模型训练的方法,通过结合 transformers 和 XGBoost 实现对加密数据的情感分析,并提供了详细的教程和示例。
Hugging Face 与 arXiv 合作,将 Hugging Face Spaces 集成到 arXivLabs,通过演示标签提供社区或作者创建的演示链接。自 2021 年 10 月推出以来,Hugging Face Spaces 已被用于构建和分享超过 12,000 个开源机器学习演示。用户现在可以在 arXiv 摘要页面上找到最受欢迎的演示。
Hugging Face 正式取消 Inference API 服务的付费层级,推出 Inference Endpoints 提供快速、企业级推理服务。Spaces 引入硬件升级,支持用户选择硬件运行 ML 演示。付费服务使用需添加信用卡,账单设置集中管理个人 PRO 订阅、支付方式及过去三个月的使用情况。
Hugging Face 发布了 Dreambooth 技术训练 Stable Diffusion 模型的脚本,并提供了优化建议。实验表明,低学习率与合适的训练步数能提高图像质量,训练人脸模型时需更多步数。此外,使用先验保持技术可减少人脸训练中的过拟合问题。
OpenAI 发布的 Whisper 模型,基于 680,000 小时的标注音频转录数据进行预训练,支持 96 种语言,包括许多低资源语言。本文详细介绍了使用 Hugging Face 🤗 Transformers 对 Whisper 进行微调的步骤,包括数据准备、特征提取、微调和评估。通过微调, Whisper 模型在低资源语言上表现出色,仅需 8 小时微调数据即可达到良好性能。
Hugging Face 发布了 🤗 Evaluate 工具,用于评估大型语言模型的偏见。该工具提供了多种指标和测量方法,帮助用户分析模型在有害语言、语言极性和性别刻板印象等方面的表现。
推荐理由:该工具提供了评估大型语言模型偏见的方法,有助于读者了解模型在偏见方面的表现。
MTEB 是一个用于衡量文本嵌入模型在多样化嵌入任务上性能的大规模基准。它包含了 56 个数据集和 8 个任务,目前汇总了超过 2000 个结果。MTEB 还支持多语言模型,并提供了开源代码库供用户提交模型和结果。
推荐理由:MTEB 提供了一个全面的文本嵌入模型性能基准,读者可以了解不同模型在不同任务上的表现,从而选择最适合自己的模型。
Hugging Face 推出 Inference Endpoints,简化机器学习模型部署流程,支持从 Hugging Face hub 一键部署至云基础设施,提供简单、安全、可扩展的模型部署服务。用户可选择公共、受保护或私有访问权限,并通过 API 调用或界面测试模型。
Hugging Face Diffusers 从 0.5.1 版本开始支持 Flax,可在 Google TPUs 上实现超快推理,如 Colab、Kaggle 或 Google Cloud Platform。本文介绍了如何使用 JAX/Flax 运行推理,并提供了相关 Colab 笔记本链接。
Hugging Face 优化了 BLOOM 模型的推理服务器,实现了 5 倍的延迟降低和 50 倍的吞吐量提升,并分享了优化过程中的挑战和经验。
推荐理由:本文详细介绍了如何优化 BLOOM 模型的推理服务器,包括多种优化策略和技术,读者可以从中学习到模型优化的方法和经验。
Ethereum 完成合并后,推出 EF Fellowship Program 第二期,旨在支持致力于推动 Ethereum 作为公共福祉的长期愿景的个人。本期共有七位杰出个人入选,他们将推动各自项目,助力 Ethereum 在全球范围内的发展。
Hugging Face 推出 DOI 标识符功能,允许用户直接从 Hub 生成模型或数据集的 DOI,方便学术社区引用和分享。DOI 与对象元数据绑定,提供永久链接,确保信息持久可用。通过与 DataCite 合作,用户可轻松申请 DOI,并更新模型或数据集的新版本。
rinna Co., Ltd. 开发了名为 "Japanese Stable Diffusion" 的日本特定文本到图像模型,通过在日语标题图像上微调 Stable Diffusion 模型实现。该模型接受日语提示并生成反映日本文化风格的图像,可在 Hugging Face 和 GitHub 上使用。
Hugging Face 推出零样本评估工具,支持研究人员评估大型语言模型,无需编写代码,并支持开源生态和评测基准。
推荐理由:该工具使研究人员能够轻松评估大型语言模型,并支持零样本评估,有助于推动开源生态和评测基准的发展。
Hugging Face 推出 Decision Transformers,一种基于 Transformer 的决策模型,通过序列建模实现强化学习。该模型可离线训练,使用预训练权重,并支持自定义数据预处理。在 Gym HalfCheetah 环境中,该模型可学习专家行为,实现半猫奔跑。
OpenRAIL 是一种针对 AI 模型的开放和负责任的许可框架,旨在解决当前开源许可在 AI 模型使用中的不足,并推动 AI 模型的负责任使用。
推荐理由:OpenRAIL 提出了一种新的 AI 许可框架,旨在促进 AI 模型的开放和负责任的使用,读者可以了解其具体内容和潜在影响。
Hugging Face 发布教程,介绍如何使用 Habana Gaudi 基于的 DL1 实例在 AWS 上从零开始预训练 BERT-base 模型,利用 Gaudi 的成本性能优势。教程使用 Hugging Face Transformers、Optimum Habana 和 Datasets 库,通过掩码语言建模预训练 BERT-base 模型。
Hugging Face 推出 Skops,一款开源机器学习模型托管与协作工具,支持将 scikit-learn 模型托管在 Hugging Face Hub,创建模型卡片进行文档化和协作。Skops 可用于模型训练、保存、配置文件生成、模型卡片创建、模型评估和可视化等功能。
Nyströmformer 通过 Nyström 方法近似自注意力机制,在 NLP 和 CV 任务上表现优异,并提供了开源实现。
Ethereum 宣布了 2022-2023 学年学术资助计划的 39 个获奖项目,总金额超过 200 万美元,涵盖经济、共识层、P2P 网络等多个领域,项目团队来自全球 16 个国家。