Hugging Face 发布开源库 Accelerate,五行代码让 PyTorch 训练脚本支持分布式与混合精度
Hugging Face 发布开源库 Accelerate,让 PyTorch 用户在保留自定义训练循环的前提下,只需向标准脚本加入五行代码即可在多 GPU、多节点、TPU 等分布式环境以及混合精度下运行。
Hugging Face 发布开源库 Accelerate,让 PyTorch 用户在保留自定义训练循环的前提下,只需向标准脚本加入五行代码即可在多 GPU、多节点、TPU 等分布式环境以及混合精度下运行。
Hugging Face 博客深入讲解了 BigBird 的 block sparse attention 实现原理,说明其如何用滑动窗口、全局 token 和随机 token 三种注意力模式近似 BERT 的全注意力,将序列长度扩展到 4096 且计算成本远低于 BERT。
Hugging Face 宣布与 Amazon 达成战略合作,选择 AWS 作为其首选云提供商,并推出新的 Hugging Face Deep Learning Containers(DLCs),让用户在 Amazon SageMaker 中更轻松地训练 Transformers 模型。
Hugging Face 教程详解如何用 🤗 Transformers 微调 Wav2Vec2 预训练模型完成英文 ASR,演示在仅含 5h 训练数据的 Timit 数据集上微调 "base" 尺寸 checkpoint,不使用语言模型、以 CTC 训练并用 WER 评估。
Hugging Face 介绍如何用 BERT、GPT2 等预训练 checkpoint 热启动 encoder-decoder 模型,以跳过昂贵的预训练过程。
Stas Bekman 撰写客座博文,详细记录了如何把 Facebook FAIR 的 fairseq WMT19 翻译系统移植到 transformers,最终产出 FSMT 模型并合入 PR。
Hugging Face 博客详细讲解了 Transformer-based encoder-decoder 架构如何建模 sequence-to-sequence 问题,聚焦其数学模型与推理用法,并拆解 encoder 和 decoder 两部分,配合大量插图建立理论与 🤗Transformers 实际推理的联系。
Hugging Face 深入解析了 Reformer 模型,它能用不到 8GB 内存一次处理多达 50 万 token,而 bert-base-uncased 只能处理 512 token。
Hugging Face 官方博客演示如何用 transformers 和 tokenizers 库从零训练一个 84M 参数(6 层、768 hidden size。
OpenAI 宣布将其深度学习框架统一标准化为 PyTorch。原文仅给出这一决定,未披露迁移时间表、涉及的模型或具体技术细节。
OpenAI 在发布 124M 小模型、分阶段发布 355M 中模型及相关误用与社会效益研究后,正式发布 774M 参数的 GPT-2 语言模型。同时发布一份开源法律协议,方便组织之间发起模型共享合作,并公布技术报告介绍其与 AI 研究社区协调发布规范的经验。
推荐理由:原文交代了分阶段发布路径与配套法律协议,读者可了解其模型共享合作的落地方式。
OpenAI 推出 OpenAI Scholars 项目,向来自代表性不足群体的个人提供 6–10 份津贴和导师指导,支持其全职学习深度学习 3 个月并开源一个项目。
OpenAI 发布针对 block-sparse 权重神经网络的高性能 GPU kernels,根据所选稀疏度,速度可比 cuBLAS 或 cuSPARSE 快 orders of magnitude。OpenAI 已用其在文本情感分析以及文本和图像生成建模上取得 state-of-the-art 结果。
OpenAI 发现给强化学习算法的参数加入自适应噪声通常能提升性能。该探索方法实现简单,且极少导致性能下降,值得在各类问题上尝试。