محصولات Gradio 3.0 رونمایی شد: تجربه جدید هوش مصنوعی با کارایی بالا نسخه‌ای دوباره طراحی‌شده از کتابخانهٔ Gradio با سرعت بالاتر و payload کوچک‌تر، فرصت‌های جدیدی برای توسعه‌دهندگان هوش مصنوعی ایجاد می‌کند. در این مقاله، ویژگی‌های کلیدی 3.0 را بررسی می‌کنیم. ۲۶ اردیبهشت ۱۴۰۱ ۲ دقیقه پژوهش هوش مصنوعی در همگامی: fastai داکار می‌شود به هاب Hugging Face برای اشتراک‌گذاری مدل‌های عمیق fastai حالا می‌تواند مدل‌های خود را با چند خط کد در هاب هافینگ فِی آپلود کند و در جامعه‌ی هوش مصنوعی ماجرای جدیدی آغاز شد؛ امکان اشتراک‌گذاری مدل‌های عمیق را فراهم آورد. ۱۶ 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 پژوهش هوش مصنوعی در هلینگ فیس: فلسفه طراحی بدون تکرار و شفافیت در این مقاله به فلسفه طراحی کتابخانه هوش مصنوعی «Transformers» هلینگ فیس می‌پردازیم؛ اصول DRY، جامعه‌محور بودن و چالش‌های کدکپی در مدل‌های BERT و دیگر شبکه‌ها را بررسی می‌کنیم. ۱۶ فروردین ۱۴۰۱ ۲ دقیقه پژوهش هوش مصنوعی در قهرمانان: معرفی Decision Transformers در Hugging Face Hugging Face با ادغام Decision Transformer، اولین مدل یادگیری تقویتی آفلاین در کتابخانه Transformers را معرفی کرده و امکانات پژوهشی بیشتری را به دسترس همه ارائه می‌دهد. ۸ 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 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. ۲۲ بهمن 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 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 ۲۸ آبان ۱۴۰۰ ۲ دقیقه