آموزش
Vision Transformers بر روی Graphcore: آموزش سریع مدل های پزشکی با هوش مصنوعی
در این مقاله بررسی میکنیم چطور میتوان با استفاده از کتابخانهٔ Hugging Face Optimum و پردازندهٔ Graphcore IPU، مدل Vision Transformer را بر روی دادههای رادیولوژیکی تنظیم کرد و سرعت و کارایی بالایی بدست آورد.
پژوهش
هوش مصنوعی در 8‑بیت: بهینهسازی ماتریسی برای ترنسفورمرهای بزرگ
مقاله حاضر به صورت سادهراهنمایی برای کاربرانی است که در بحث 8‑بیتی بازتاب کردن متن و کاهش مصرف حافظه در ترنسفورمرهای بزرگ علاقهمندند؛ مزایای سرعت و بهبود مصرف را بررسی میکنیم.
پژوهش
هوش مصنوعی در هکینگ فیس: فلسفه TensorFlow و امکانات آینده
هکینگ فیس با فلسفهٔ TensorFlow، مدلها و توابع پیشفرض، امکانات همزمانی با Keras، XLA، و نگرانی برای انتشار جامعهی آزاد، پیشرفت در هوش مصنوعی را سرعت میدهد.
محصولات
Skops: فریمورک جدید هاجینگ فیس برای میزبانی مدلهای scikit-learn
کتابخانه Skops را معرفی میکنیم؛ فریمورک جدید هاجینگ فیس برای میزبانی مدلهای scikit-learn که با قابلیت کاربری آسان، مستندسازی مدل، و همکاری تیمی، میتواند نحوهی استفاده از یادگیری ماشین را بهطور کاملاً باز و قابل اطمینان تغییر دهد.
محصولات
استقرار هوش مصنوعی: مدل Vision Transformer پیشرفته در Kubernetes
این مقاله نحوه استقرار مدل Vision Transformer (ViT) با هوش مصنوعی در کلاستر Kubernetes و TensorFlow Serving را بهصورت گام به گام توضیح میدهد.
مدلها
هوش مصنوعی: چگونه مدلهای Sentence Transformer را آموزش و بهینهسازی کنیم
مقالهای جامع درباره آموزش و بهینهسازی مدلهای Sentence Transformer، نکات کلیدی، راهنمای عملی و روشهای انتقال دانش مدل به محیطهای تولیدی در حوزه هوش مصنوعی.
پژوهش
هوش مصنوعی: راهنمای عملی Proximal Policy Optimization (PPO) در یادگیری تقویتی
دستورات کامل Proximal Policy Optimization (PPO) را معرفی میکنیم، مزایای آن در یادگیری تقویتی، و نحوه پیادهسازی توسط Hugging Face و منابع متنباز.
محصولات
هوش مصنوعی در ناحیه خصوصی: راهکار جدید جهانی از هگینگ فیس با دسترسی امن
هگینگ فیس با راهاندازی Private Hub (اکنون Enterprise Hub) ابزارهای هوش مصنوعی را در محیط امن و انعطاف پذیر برای شرکتها عرضه میکند و امکان مدیریت پیشرفته کاربران را فراهم میآورد.
پژوهش
هوش مصنوعی: نیستروفرمری که زمان و حافظه ترنسفورمرها را کاهش میدهد
روش نیستروفرمری با بهرهگیری از تکنیک نیسترو، خود‑توجه در ترنسفورمرها را به صورت خطی ساختن میکند؛ کارایی آن در NLP و CV موثر است.