مدل‌ها
بهینه‌سازی Vision Transformer برای طبقه‌بندی تصویر با هوش مصنوعی
این مقاله گام به گام نحوه استفاده از کتابخانه‌های 🤗 Transformers و Datasets برای آموزش و تنظیم نهایی مدل ViT را شرح می‌دهد و به خوانندگان نشان می‌دهد چگونه می‌توانند مدل خود را برای تشخیص تصویر بهبود بخشند.
اخبار
هوش مصنوعی در تحلیل احساس: راهنمای گام‌به‌گام با Hugging Face
در این مقاله به‌صورت گام‌به‌گام با استفاده از مدل‌های آماده در پلتفرم Hugging Face، به تحلیل احساس متن‌ها در پایتون پرداخته و نکات کلیدی را بررسی می‌کنیم.
مدل‌ها
هوش مصنوعی OpenAI: مدل‌های InstructGPT با دقت، صحت و کم‌طیکه‌گی بالاتر
OpenAI مدل‌های InstructGPT را معرفی کرد که با درگیر کردن انسان در حلقه، توانایی پیروی از دستورات کاربر، صحت اطلاعات و کاهش سمیت را بهبود می‌بخشند.
پژوهش
هوش مصنوعی در خدمت شما: این نقطه‌شروع جدید شدگی برداری متن و کد
با معرفی اندی‌بندی‌های متن و کد در API OpenAI، هوش مصنوعی دسترسی آسانی برای بهینه‌سازی جستجوی معنایی، خوشه‌بندی، مدل‌سازی موضوع و طبقه‌بندی فراهم می‌کند.
پژوهش
کشف سریع مدل‌های هوش مصنوعی با ابزار جدید در هاب 🤗
به‌روزرسانی جدید در کتابخانه huggingface_hub به‌صورت ساده‌تر به‌دنبال مدل و دیتاست‌ها می‌شود؛ قابلیت‌های تازه‌پرسن‌کردن کمک می‌کند تا به‌سرعت چشم‌دید‌چنین‌کد‌ها بپیدا کنید.
پژوهش
هوش مصنوعی برقراری تمامی کد و متن با آموزش متضاد: بهبود عمیق در درک متن و کد
OpenAI با الگوریتم یادگیری تضاد، درک بهتر کد و متن را فراهم کرده و عملکرد مدل‌های زبانی و کدگذاری را بهبود می‌بخشد.
محصولات
Stable‑Baselines3 وارد هاب هگینگ فیس شد: گامی نو در حوزه هوش مصنوعی و یادگیری تقویتی
وارد شدن Stable‑Baselines3 به هاب هگینگ فیس، دسترسی آسان‌تر به مدل‌های تقویتی و اشتراک‌گذاری منابع باز را برای طراحان AI فراهم می‌کند.
پژوهش
هوش مصنوعی در میلی‌ثانیه: چطور Hugging Face Infinity با CPUهای مدرن زودترین پاسخ را می‌دهد
مطالعهٔ موردی از سرعت میلی‌ثانیه‌ای مدل‌های هوش مصنوعی با استفاده از Hugging Face Infinity و پردازنده‌های هوشمند. فناوری، عملکرد و راهکارهای جایگزین
پژوهش
هوش مصنوعی : چگونه Wav2Vec2 با n‑gram در چارچوب Transformers بهبود می‌یابد
معرفی روش بهبود مدل Wav2Vec2 از طریق ادغام n‑gram در چارچوب 🤗 Transformers، نکات کلیدی، چالش‌ها و نتایج آزمایشی، و راه‌های پیاده‌سازی در پروژه‌های واقعی.
مدل‌ها
چگونه GPT‑J ۶ میلیارد پارامتر را بر روی ساجمارک خودکار به‌کارگیری کنید
GPT‑J ۶ میلیارد پارامتر را با استفاده از کتابخانه Transformers و پلتفرم Amazon SageMaker به‌صورت سریع و مقیاس‌پذیر بر روی سرورهای خود در دسترس می‌آوریم. راهنمای گام‌به‌گام و نکات کلیدی را بررسی می‌کنیم.