پژوهش
نشر ViT از Hugging Face در Vertex AI: راهی سریع و مقیاس‌پذیر
با استفاده از Vertex AI، مدل ViT را به سرعت و با کد کم روی سرویس Google Cloud منتشر کنید، قابلیت سکیل‌پذیری، مانیتورینگ و هزینه‌ی بهینه‌سازی را بهره‌مند شوید.
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.
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.
آموزش
هوش مصنوعی در عمل: انتشار مدل Vision Transformer با TensorFlow Serving
در این مطلب به بررسی نحوه انتشار مدل‌های بینایی الگوریتم Vision Transformer با استفاده از TensorFlow Serving در پلتفرم Hugging Face می‌پردازیم و مزایای آن را بررسی می‌کنیم.
آموزش
ساخت یک ژنراتور فهرست آهنگی با هوش مصنوعی: جزئیات انطباق Sentence Transformers
این مقاله به بررسی ساخت ژنراتور فهرست آهنگی با کاربرد Sentence Transformers و گراودی می‌پردازد؛ مراحل embedding، جستجوی معنایی و راه‌اندازی وب‌سرویس را شرح می‌دهد.
آموزش
شروع پروژه هوش مصنوعی: نکاتی برای استفاده از Sentence Transformers
چگونه با یک پروژه ساده هوش مصنوعی، از کتابخانه Sentence Transformers شروع کنیم، چارچوب‌های انتخاب و نکات کلیدی برای موفقیت را بررسی می‌کنیم.
سخت‌افزار
Intel و Hugging Face شتاب بردند شتاب سخت‌افزاری هوش مصنوعی برای همه
هنوز که مدل‌های تبدیل‌کننده دگرگون می‌شوند، همکاری میان Intel و Hugging Face ابزار جدیدی برای شتاب‌دهی و کاهش تاخیر در پردازشی هوش مصنوعی ارائه می‌دهد. این همکاری به‌وسیله کتابخانه Optimum در دسترس قرار گرفته است.
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.
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.