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.
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.
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.
آموزش
هوش مصنوعی را برای همهٔ نخبگان: Hugging Face طرح بیسابقه آموزشی
Hugging Face با راهاندازی «هوش مصنوعی برای آموزش»، برنامهای برای آموزش و توسعه مهارتهای هوش مصنوعی در ۵ میلیون نفر تا پایان ۲۰۲۳ را آغاز کرده است.
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.
پژوهش
هوش مصنوعی در دسترس همه: برنامه رشد پژوهشی Hugging Face معرفی شد
برنامهٔ 9‑ماههٔ AI Residency از Hugging Face، پژوهشگران را برای توسعهٔ روشهای هوش مصنوعی مسئولانه با تمرکز بر تنوع و عدالت جامعه، در یک محیط باز و همکاری محور میگذارد.
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.
پژوهش
آموزش مدل GPT-2 خودساخته CodeParrot برای کد نویسی هوش مصنوعی
در این مقاله به آموزش مرحله به مرحله ساخت مدل GPT‑2 به نام CodeParrot میپردازیم؛ از جمعآوری ۱۸۰ گیگابایت کد پایتون تا آموزش و ارزیابی نهایی، ویژگیها و نکات کلیدی این پروژهٔ هوش مصنوعی را توضیح میدهد.
پژوهش
سرعتدادن فرآیند تنظیم دقیق PyTorch با فناوریهای آیندل در هوش مصنوعی
بهخاطر استفاده از سرورهای آیندل و کتابخانههای کارایی، فرآیند آموزش مدلهای PyTorch میتواند با طولانیترین زمانهای یادگیری، به سرعت قابل بهبود برسد