اهمیت ادغام

در سال 2024، دو پلتفرم پیشتاز در حوزه هوش مصنوعی، Hugging Face و KerasHub، یکپارچه‌سازی جدیدی را معرفی کردند. این همکاری باعث شد تا توسعه‌دهندگان و پژوهشگران به راحتی بتوانند از بیش از 300 هزار مدل ساخته‌شده با کتابخانهٔ Transformers در محیط Keras بهره‌مند شوند.

چگونه از این ادغام بهره‌مند شویم

استفاده از مدل‌های جدید در KerasHub بسیار ساده‌تر شد. در نسخهٔ اولیه، فقط مدل‌هایی که در Hub موجود بودند قابل دسترسی بودند و محدود به KerasHub بودند. حالا با استفاده از پیش‌فرض hf:// می‌توان به مدل‌های جدید دسترسی پیدا کرد و آن‌ها را با استفاده از Keras fine‑tune کرد:

from keras_hub.models import GemmaCausalLM
gemma_lm = GemmaCausalLM.from_preset('hf://google/gemma-2b-keras')
gemma_lm.train()
gemma_lm.save_to_preset('./gemma-2b-finetune')
keras_hub.upload_preset('hf://username/gemma-2b-finetune', './gemma-2b-finetune')

این روش به کاربران امکان می‌دهد تا مدل‌های سفارشی خود را با سادگی در هاب Hugging Face بارگذاری و به اشتراک بگذارند.

آینده مسیرهای هوش مصنوعی

یکپارچگی این دو پلتفرم نه تنها دسترسی به مجموعهٔ وسیعی از مدل‌های زبان را تسهیل می‌کند، بلکه نواختی برای پژوهش‌های علمی و تجاری فراهم می‌کند. نتایج جدید در مقالات (Daily Papers) و جوامع آنلاین امکان ایجاد مدل‌های تخصصی در حوزه‌های مختلف را بهبود می‌بخشد. استفاده از این ادغام در آینده می‌تواند به یک استاندارد برای طراحان نرم‌افزار و برون‌سپاری خدمات هوش مصنوعی در صنایع مختلف تبدیل شود.

  • دسترسی سریع به مدل‌های بزرگ زبانی
  • امکان fine‑tune و تقییم معیارهای مختلف
  • آپلود و اشتراک‌گذاری مدل به‌صورت یکپارچه در Hugging Face Hub

پرسش‌های پرتکرار

این ادغام چه مزایایی برای توسعه‌دهندگان مدل زبانی دارد؟

معرفی مجموعه‌ای گسترده از مدل‌ها، امکان fine‑tune و به اشتراک‌گذاری ساده در یک جریانی در KerasHub و Hugging Face.

چگونه می‌توانم مدل Keras را بر روی هاب Hugging Face بارگذاری کنم؟

با استفاده از دستور <code>keras_hub.upload_preset('hf://username/your-model', './path-to-exported-model')</code> به سادگی مدل را به هاب آپلود کنید.