机器学习专家 - 刘易斯·坦斯托尔

刘易斯·坦斯托尔是机器学习领域专家。

Habana Labs与Hugging Face合作加速Transformer模型训练

Habana Labs与Hugging Face合作，旨在加速Transformer模型的训练过程。

不要重复你自己

避免重复的编程原则，强调代码复用与维护性。

Hugging Face 推出 Decision Transformers 🤗

Hugging Face 集成 Decision Transformers，简化强化学习决策建模。

机器学习专家——玛格丽特·米切尔

机器学习专家，致力于AI伦理研究。

宣布🤗人工智能研究驻留计划

Hugging Face推出为期一年的AI研究驻留项目，提供资源和指导。

使用自定义数据集微调语义分割模型

使用自定义数据集微调预训练模型，使其适应特定场景的分割任务。

使用🤗数据集进行图像搜索

无

使用Hugging Face Transformers和AWS Inferentia加速BERT推理

结合AWS专用芯片优化BERT推理性能，实现高效部署。

在🤗 Transformers中使用约束束搜索指导文本生成

约束束搜索用于在Transformers中引导文本生成，确保输出符合特定约束。

BERT 101 - 最先进的NLP模型详解

BERT通过Transformer双向编码器捕捉上下文，预训练后微调可处理多种自然语言任务，显著提升模型性能。

使用🤗 Transformers微调ViT进行图像分类

无摘要内容

使用Python进行情感分析入门

介绍用Python进行情感分析的基础方法与步骤。

使用Wav2Vec2在🤗 Transformers中实现大文件自动语音识别

如何在🤗 Transformers库中利用Wav2Vec2模型高效处理大型语音文件进行自动识别。

在🤗 Hub上高效搜索

介绍🤗 Hub新增的搜索优化功能，帮助用户快速找到所需模型和数据集。

欢迎Stable-baselines3集成到Hugging Face Hub🤗

Stable-baselines3入驻Hub，方便共享与部署强化学习模型。

案例研究：使用Hugging Face Infinity和现代CPU实现毫秒级延迟

在🤗 Transformers 中用 n-grams 提升 Wav2Vec2

通过引入n-gram语言模型，改进Wav2Vec2的语音识别性能。

使用Hugging Face Transformers和Amazon SageMaker部署GPT-J 6B进行推理

介绍如何利用Hugging Face Transformers和Amazon SageMaker高效部署GPT-J 6B模型进行推理

使用AutoNLP和Prodigy的主动学习

未提供摘要内容，无法提炼。

Gradio 加入 Hugging Face！

Gradio 将集成至 Hugging Face，简化机器学习演示。

Perceiver IO：一种可扩展的全注意力模型，适用于任意模态

Perceiver IO是可扩展的全注意力模型，通用处理任意模态数据。

从头开始训练 CodeParrot 🦜

从零训练代码生成模型CodeParrot的方法。

介绍打雪仗⛄：我们的首个ML-Agents环境

推出首个ML-Agents训练环境：雪球大战。

入门使用Optimum在IPU上运行Hugging Face Transformers指南

介绍通过Optimum库在IPU上部署和运行Transformers模型的快速入门步骤。

数据测量工具简介：一个交互式数据集查看工具

该工具提供交互式界面，帮助用户深入理解和分析数据集特征。

利用英特尔技术加速PyTorch分布式微调

英特尔技术优化PyTorch微调，提升分布式训练效率。

微调 XLSR-Wav2Vec2 用于低资源 ASR：使用 🤗 Transformers

使用 🤗 Transformers 微调 XLSR-Wav2Vec2，提升低资源语音识别性能。

在现代CPU上扩展BERT类模型推理 - 第二部分

探讨现代CPU上BERT类模型推理的扩展技术，提升性能与效率。

大型语言模型：新的摩尔定律？

探讨大型语言模型发展是否类似摩尔定律的指数增长，引发技术新范式思考。

课程发布社区活动

训练一个基于10亿训练对的句子嵌入模型

采用1B句子对进行对比预训练，获得强大语义向量表示。

机器学习即代码的时代已经到来

机器学习通过代码化实现自动化开发与部署，开启了高效迭代的新纪元。

中文标题：使用遥感（卫星）图像与描述微调CLIP

暂无摘要内容，请提供原文摘要。

使用Streamlit在Hugging Face Spaces上托管你的模型和数据集

介绍使用Streamlit在Hugging Face Spaces上托管模型和数据集的方法。

使用Gradio在Spaces上展示你的项目

借助Gradio快速部署和展示机器学习项目

夏季在Hugging Face

作者分享了在Hugging Face的夏季经历与感悟。

介绍 Optimum：面向大规模 Transformer 的优化工具包

Hugging Face与Graphcore合作推出IPU优化Transformers

Hugging Face与Graphcore合作，为Graphcore IPU优化Transformer模型，提升AI训练推理性能。

中文标题

通过网络协作训练语言模型的深度学习技术

欢迎spaCy入驻Hugging Face Hub

spaCy集成Hugging Face Hub，方便模型共享与使用。

使用 Amazon SageMaker 轻松部署 Hugging Face 模型

利用 Amazon SageMaker 简化 Hugging Face 模型部署，实现快速推理与高效运维。

Hugging Face Hub中的句子变换器

暂无摘要

少样本学习实践：GPT-Neo与🤗加速推理API

探讨GPT-Neo在少样本学习中的应用，结合Hugging Face加速推理API的实践方法。

中文标题：使用与混合Hugging Face模型与Gradio 2.0

介绍如何结合使用Hugging Face模型与Gradio 2.0进行应用开发。

在CPU上扩展BERT推理（第一部分）

无摘要内容

介绍🤗 Accelerate

简化PyTorch分布式训练的工具库。

分布式训练：使用🤗 Transformers和Amazon SageMaker训练BART/T5模型进行摘要生成

介绍如何利用HuggingFace Transformers和Amazon SageMaker进行分布式训练，以微调BART/T5模型实现文本摘要任务。

理解BigBird的块稀疏注意力机制

BigBird通过块稀疏注意力高效处理长序列，大幅降低计算复杂度。

合作：Amazon SageMaker 和 Hugging Face

亚马逊云机器学习平台与Hugging Face合作，简化模型训练与部署。