Hugging Face Hub 上线 Jupyter notebook 渲染支持
Hugging Face 宣布为 Hub 上托管的 Jupyter notebook 增加渲染支持,原本以 JSON 格式存储的 ipynb 文件现在会以人类可读的形式展示。
Hugging Face 宣布为 Hub 上托管的 Jupyter notebook 增加渲染支持,原本以 JSON 格式存储的 ipynb 文件现在会以人类可读的形式展示。
Informer(AAAI21 best paper)现已加入 🤗 Transformers,可用于多变量概率时间序列预测任务,即预测未来时间序列目标向量的分布。
Hugging Face 官方博客复盘了 2023 年 2 月土耳其地震后志愿者团队如何用机器学习构建救援应用 afetharita 的实践。
推荐理由:复盘了灾后救援中从数据标注到模型部署的完整 MLOps 流程,可迁移方法具体。
Hugging Face 在 Diffusers 中集成 ControlNet,发布 StableDiffusionControlNetPipeline,支持用深度图、分割图、涂鸦、关键点等空间条件控制 Stable Diffusion 生成,论文提出的 8 种条件模型全部支持。
推荐理由:原文给出完整可复现的代码与性能数字,读者可直接照搬这套省显存的 ControlNet 推理配置。
Hugging Face 在 Diffusers 库文档中发布伦理框架,以透明、一致、简洁、可访问、可复现、负责任六项原则指导社区贡献的技术决策。
Hugging Face 专家加速计划帮助 Witty Works 用 Sentence Transformers 和 SetFit 构建了上下文相关的非包容性词汇分类器,解决了基础方法在 85% 词汇上有效但对上下文依赖词失效的问题。
Hugging Face 官方 Mac 应用 Swift Diffusers 1.1 上架 Mac App Store,将社区贡献的 SoTA 文生图模型转换为 Core ML 运行,文生图速度最高可提升至两倍,并自动为当前机型选择最佳加速器。
Fetch 通过 AWS Marketplace 上的 Hugging Face Expert Acceleration Program,用自研 AI 模型替换第三方"黑盒"方案,开发时间缩短 30%、处理延迟降低 50%,并以影子管线(shadow pipeline)在不中断业务的情况下完成切换。
Hugging Face 与 AWS 扩大长期战略合作,Hugging Face 将 AWS 作为首选云提供商,借助 Amazon SageMaker、AWS Trainium、AWS Inferentia 让开发者训练、微调和部署模型。
Hugging Face 推出 Inference Endpoints 托管服务,可将 Hub 上几乎任何模型部署到 AWS、Azure 等云的多种实例类型(含 GPU),Hugging Face 自身已将部分 CPU 推理模型从 AWS ECS + Fargate 迁移过来。
Hugging Face 博客介绍 Salesforce Research 的 BLIP-2 如何在冻结的图像编码器与 LLM 之间加入轻量 Querying Transformer(Q-Former),以更少可训练参数实现多任务 SOTA。
Hugging Face 推出 🤗 PEFT 库,与 🤗 Transformers 和 🤗 Accelerate 无缝集成,目前支持 LoRA、Prefix Tuning、P-Tuning v2、Prompt Tuning、P-Tuning 等方法。
推荐理由:原文给出了在消费级硬件上微调大模型的具体配置与产出体积对比,可直接迁移复用。
Hugging Face 宣布 SpeechT5 现已加入开源库 Transformers,官方 checkpoint 已在 Hub 上提供,并配有 TTS、语音转换和 ASR 的 Spaces 演示。
Hugging Face 推出开源工具 ⚔️ AI vs. AI ⚔️,通过让强化学习模型在多智能体对战中相互比拼,用 ELO 评分系统给出相对实力排名。该系统由 Spaces 上的匹配算法、存储比赛结果的 Dataset 和展示 ELO 的 Leaderboard 组成,新模型起始分为 1200。
Hugging Face 在 Intel Sapphire Rapids 服务器上测试了 Hugging Face Optimum Intel 加速 PyTorch 推理的效果。
Hugging Face 官方博客系统介绍视觉语言模型,讲解对比学习、PrefixLM、交叉注意力融合、MLM/ITM 和免训练等五类预训练策略,并梳理常用预训练与下游数据集。文章列出 Transformers 支持的 CLIP、FLAVA、ViLT、CLIPSeg 等模型,给出用 ViLT 做 VQA 和用 CLIPSeg 做零样本图像分割的代码示例,还展望了医学、机器人等新兴研究方向。
Hugging Face 过去一年将计算机视觉支持扩展至 8 大核心任务,Hub 上已收录超过 3000 个模型和 100 个数据集,涵盖图像分类、分割、目标检测、深度估计等任务。
Hugging Face 官方博客介绍如何在 diffusers 中用 LoRA 微调 Stable Diffusion,训练可在 11 GB 显存的 2080 Ti 上完成,训练出的权重仅约 3 MB,比 UNet 原始体积小约一千倍。
推荐理由:原文给出可直接复用的训练脚本与推理代码,并说明 LoRA 相比全量微调在显存和权重体积上的具体收益。
Hugging Face 的 AI for Game Development 系列第 4 篇讲解如何用 Stable Diffusion 的 Image2Image 功能生成 2D 游戏素材。
Hugging Face 与 Microsoft 的 ONNX Runtime 团队合作,通过 Optimum 库集成 ONNX Runtime 训练,可将许多 Hugging Face 模型的训练时间缩短 35% 以上。
Hugging Face 的 AI 游戏开发教程第 3 篇指出,text-to-3D 目前还无法实际用于游戏开发,作者在 5 天农场游戏中改用不同颜色的立方体代表作物。
Hugging Face transformers 开源库现已集成 Mask2Former 和 OneFormer 两个通用图像分割模型,可用统一架构完成实例、语义和全景分割三类任务。
百度开源深度学习平台 PaddlePaddle 正式加入 Hugging Face Hub,其模型库将逐步与 Hub 集成,Hub 上已有超过 75 个 PaddlePaddle 模型,可通过 PaddlePaddle 库标签筛选。
Hugging Face 发布教程,讲解如何用 🤗 Transformers 和 🤗 datasets 库构建图像相似度系统,通过计算图像 embeddings 并用余弦相似度衡量查询图与候选图的相似程度。
Hugging Face 推出 AI 游戏开发系列教程,第 1 部分演示如何用 Stable Diffusion 1.5 生成农场游戏概念图,并在 Unity 2021.9.3f1 中搭建场景。
Hugging Face 官方博客介绍如何用 🤗 transformers 调用 CLIPSeg 零样本分割模型,通过文本提示词和图像提示词(visual prompting)生成粗分割掩码。
Hugging Face 推出 Model Card Creator Tool 和 Model Card Guide Book,前者提供图形界面,无需编程即可协作创建模型卡。同时更新了 huggingface_hub 库中的模型卡模板,提供默认提示文本,并附带带注释模板、Hugging Face 用户研究及 ML 文档现状的文献综述。
Hugging Face 发布音频数据集完全指南,介绍开源库 🤗 Datasets 如何用一行 Python 代码(load_dataset)下载并准备音频数据。
Hugging Face 伦理与社会团队发布通讯 #2,系统梳理机器学习开发各阶段应对偏见的经验与工具。文章指出 ML 模型作为社会技术系统会放大不平等,单一技术干预难以解决,需结合部署语境持续响应反馈。文中按任务定义、数据集筛选、模型训练等环节推荐了 🤗 团队开发的偏见分析工具。
Hugging Face 通过纯 Elixir 实现的 Bumblebee 库,将 GPT2 到 Stable Diffusion 等神经网络模型带入 Elixir 社区。
Hugging Face 发布面向生物学家和机器学习者的蛋白质深度学习教程,讲解 BERT、GPT 等大语言模型启发的蛋白质语言模型原理与迁移学习机制,并提供微调蛋白质语言模型(PyTorch / TensorFlow)和 ESMFold 蛋白质折叠(PyTorch)两套示例 notebooks。
Hugging Face 介绍如何用 🤗 Transformers 库内置的 Time Series Transformer 模型做单变量概率时间序列预测,即为每条序列预测其一维分布而非单点值。
Hugging Face 官方博客介绍如何在 Apple Silicon 上用 Core ML 运行 Stable Diffusion,已将 Stable Diffusion v1.4、v1.5、v2 base、v2.1 base 的 Core ML 权重转换并上传至 Hugging Face Hub。
VQ-Diffusion 是由中国科学技术大学与微软开发的条件隐空间扩散模型,其加噪与去噪过程在离散量化的隐空间上进行,与常见的连续扩散模型形成对比。
Hugging Face 宣布启动 2023 年实习计划,开放 7 个岗位,涵盖 Accelerate、Text to Speech、Embodied AI、Fast Distributed Training Framework。
Hugging Face 与 Jonathan Whitaker 合作的免费 Diffusion Models 课程将于 11 月 28 日发布,并在 11 月 30 日举办线上直播社区活动。
Hugging Face 梳理了从免费到生产级的推理方案:Inference Widget 免费单击试用模型,Inference API 通过 HTTP 请求免费调用 Hub 上任意模型(有速率限制,不建议生产使用)。
Hugging Face 博客系统梳理了 Document AI 的六类用例(OCR、文档图像分类、版面分析、文档解析、表格抽取、DocVQA)及对应开源模型与评测指标。
Hugging Face 与 arXiv 合作,Hugging Face Spaces 通过 arXivLabs 的 Demo 标签页集成到论文摘要页,用户可直接打开社区或作者构建的开源 demo。
Hugging Face 发布教程,演示如何用 Concrete-ML 库在全同态加密(FHE)数据上构建情感分析模型,无需密码学知识。