پژوهش هوش مصنوعی سریع‌تر؛ Optimum و Pipelineهای Transformers با ONNX در این مقاله، بررسی می‌شود چطور با Optimum و ONNX Runtime می‌توان اجرای مدل‌های Transformer را تسریع کرد؛ تبدیل، بهینه‌سازی، فشرده‌سازی و بررسی عملکرد. ۲۰ اردیبهشت ۱۴۰۱ ۲ دقیقه مدل‌ها هوش مصنوعی در مقیاس بزرگ: PyTorch FSDP و Accelerate برای تسریع آموزش مدل‌های عظیم PyTorch FSDP با کتابخانه Accelerate موجب تسریع آموزش مدل‌های عظیم می‌شود؛ بدون تغییر در کد، به راحتی مقیاس معادل Multi‑GPU و یادگیری به‌سخت‌افزار دست یابید. ۱۲ اردیبهشت ۱۴۰۱ ۲ دقیقه مدل‌ها کلاسِیشن رأی‌نامه‌ها با هوش مصنوعی در Kili و AutoTrain هوش مصنوعی Kili و AutoTrain اجازه می‌دهند رأی‌نامه‌های متن را طبقه‌بندی کنید؛ برچسب‌گذاری سریع، یادگیری ماشین بدون کدنویسی و بروزرسانی مدل برای بهره‌وری بالا. ۸ اردیبهشت ۱۴۰۱ ۲ دقیقه پژوهش هوش مصنوعی در ابر: راهنمای سریع راه‌اندازی ترنسفورمرها روی Habana Gaudi با همکاری Habana Labs و Hugging Face، گامی شگفت‌انگیز در جهت تسهیل آموزش مدل‌های ترنسفورمر بر روی متغیرهای Habana Gaudi برداشته شد. در این آموزش، نکات کلیدی برای راه‌اندازی و بهره‌برداری سریع و هزینه مؤثر آورده شده است. ۶ اردیبهشت ۱۴۰۱ ۲ دقیقه پژوهش هوش مصنوعی در تحول خدمات مشتری: راهنمایی مبتنی بر مدل‌های زبانی متن‌باز در این مقاله به بررسی گام‌به‌گام استفاده از اکوسیستم Hugging Face برای ایجاد یک سیستم خدمات مشتری هوشمند می‌پردازیم. میزبان استفاده از مدل‌های زبانی، دیتاست‌های متن‌باز و آموزش fine‑tune برای پاسخ‌گویی سریع و دقیق به کاربران است. ۵ اردیبهشت ۱۴۰۱ ۲ دقیقه مدل‌ها هوش مصنوعی با Habana Labs: سرعت بخشیدن به آموزش مدل‌های ترنسفورمر این همکاری Habana Labs و Hugging Face، آموزش مدل‌های ترنسفورمر را به‌سرعت کرده و هزینه‌ها را کاهش می‌دهد و به‌دست آوردن نتایج بهتر در برابر رقبا. ۲۳ فروردین ۱۴۰۱ ۲ دقیقه پژوهش هوش مصنوعی در جستجوی تصویر: فریم‌ورک مپ‌دیت‌ها به هدف هوشمندسازی یک راهنمای گام‌به‌گام برای ساخت اپلیکیشن جستجوی تصویر با استفاده از کتابخانه datasets و مدل‌های embedding در Hugging Face. از تصاویر تاریخی تا دسترسی سریع. ۲۵ اسفند ۱۴۰۰ ۲ دقیقه 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. ۵ بهمن ۱۴۰۰ ۲ دقیقه 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. ۲۱ دی ۱۴۰۰ ۲ دقیقه پژوهش هوش مصنوعی در یادگیری فعال: کاربرد AutoNLP و Prodigy برای بهبود مدل‌ها پیش‌تردارین یادگیری فعال در هوش مصنوعی، با ترکیب AutoNLP هشدار گرفت. این راهنما نشان می‌دهد چگونه پارامترهای خود را با Prodigy ساده و سریع بهینه کنید. باز ۲ دی ۱۴۰۰ ۲ دقیقه