✷ 归档 · 11 个实验室 · 869 篇 dispatch
实验室
不用每天手动刷十几个官方博客。OpenAI、Anthropic、DeepMind 等实验室的一手发布，每篇都提炼出核心内容。
Hugging Face Optimum Graphcore 上的视觉 Transformer
Hugging Face 与 Graphcore 通过 Optimum 库实现了在智能处理单元 (IPU) 上高效微调 Vision Transformer (ViT) 模型，并通过多标签胸部 X 光分类任务进行演示。
Hugging Face 将 LLM.int8() 8 位矩阵乘法集成到 Transformers 和 Accelerate 中
Hugging Face 在 Transformers 和 Accelerate 库中集成了 LLM.int8() 8 位量化技术，使得在不降低性能的情况下推理超大语言模型，并实现最高 2 倍的内存节省。
Hugging Face 的 TensorFlow 哲学
Hugging Face 概述了其 TensorFlow 集成的技术方法，强调与 Keras 和 XLA 的深度对齐，以优化 transformer 模型的性能和部署。
Skops 库实现 scikit-learn 模型托管、文档编写和在 Hugging Face Hub 上的协作
Hugging Face 宣布了 Skops，这是一款库，允许用户打包、文档化并将 scikit-learn 模型推送到 Hub，自动生成模型卡和推理小部件。
在 Kubernetes 上使用 TF Serving 部署 Hugging Face ViT
Hugging Face 提供了一份技术指南，介绍如何使用 Docker 和 Kubernetes 结合 TensorFlow Serving 对 Vision Transformer（ViT）部署进行规模化，以实现生产级的自动伸缩和资源管理。
Hugging Face Sentence Transformers 训练指南（历史参考）
Hugging Face 公布了一篇已过时的教程，介绍了 Sentence Transformers 模型的训练与微调，包括模型架构、数据集格式、损失函数以及模型上传方法，并引导用户使用更新的训练 API。
Hugging Face 深度强化学习课程 第8单元：近端策略优化（PPO）详解
Hugging Face 提供了对近端策略优化（PPO）的详细演练，展示了通过对策略更新比例进行裁剪如何稳定训练，并提供了一个从头实现的 PyTorch 示例，在 CartPole‑v1 和 LunarLander‑v2 上进行测试。
Hugging Face 私有 Hub 介绍
Hugging Face 推出了 Private Hub（现已更名为 Enterprise Hub），一个安全、合规的环境，供公司在统一的工具集下协作机器学习模型、数据集和 Spaces。
Nyströmformer：通过 Nyström 方法在线性时间和内存中近似自注意力
Nyströmformer 通过使用 Nyström 方法对软最大矩阵进行采样地标近似，将标准自注意力的时间和内存复杂度从 O(n^2) 降低到 O(n)。
Hugging Face 对美国国家人工智能研究资源的建议
Hugging Face 向白宫和国家科学基金会提交了回应，主张国家人工智能研究资源（NAIRR）应优先考虑伦理专长、标准化文档以及可访问的工具，以实现 AI 研究的民主化。
Hugging Face 数据集音频与视觉文档更新
Hugging Face 已扩展 🤗 Datasets 库的文档，加入了针对音频和视觉数据集的专门指南和工具，简化了多模态数据的加载和处理过程。
使用 TensorFlow 和 XLA 加速文本生成
Hugging Face 已在使用 TensorFlow 的 transformers 库中为文本生成启用 XLA 编译，实现了高达 100 倍的加速，并且性能常常超过 PyTorch。
在 Hugging Face 中使用 TF Serving 部署 TensorFlow 视觉模型
Hugging Face 提供了一份关于使用 TensorFlow Serving 部署 TensorFlow 视觉模型（如 Vision Transformer（ViT））并将其公开为 REST 或 gRPC 接口的指南。
优势演员-评论家 (A2C) 详解
Hugging Face 解释了优势演员-评论家 (A2C)，这是一种通过结合基于策略和基于价值的方法来降低策略梯度估计方差的混合强化学习架构。
动态对抗数据收集（DADC）用于 MNIST – Hugging Face 教程
Hugging Face 宣布了一份关于 MNIST 上动态对抗数据收集（DADC）的逐步教程，展示了如何收集人类生成的对抗样本并重新训练模型以提升鲁棒性。
BLOOM 176B 训练技术概览
Hugging Face 发布了关于 1760 亿参数 BLOOM 模型如何使用 384 块 A100 GPU、Megatron‑DeepSpeed 3D 并行和 BF16 混合精度进行训练的详细拆解，重点介绍了硬件、软件栈和工程挑战。
使用句子转换器构建播放列表生成器
Hugging Face 演示了如何使用句子转换器进行歌词嵌入，并结合 Gradio Blocks 构建基于语义搜索的播放列表生成器。
BLOOM：全球最大开放多语言语言模型
Hugging Face 和 BigScience 项目发布了 BLOOM，这是一款拥有 1760 亿参数的开放获取多语言语言模型，已在 46 种自然语言和 13 种编程语言上以完全透明的方式进行训练。
开始使用 Twitter 情感分析
Hugging Face 提供了一份指南，介绍如何使用 Inference API 对 Twitter 数据进行自动化情感分析，适用于开发者和非编码人员。
使用 PyTorch 的策略梯度 – Hugging Face 深度强化学习课程 第5单元
Hugging Face 发布了一个教程，详细演示了如何在 PyTorch 中从零实现 REINFORCE 蒙特卡罗策略梯度算法，并在 CartPole‑v1、PixelCopter 和 Pong 上进行评估。
使用 Sentence Transformers 入门机器学习
Hugging Face 为初学者提供了一份指南，帮助他们使用 Sentence Transformers 库创建嵌入并进行语义搜索，以启动首个机器学习项目。
Hugging Face 在 Hub 上的评估
Hugging Face 已推出 Evaluation on the Hub，这是一款由 AutoTrain 提供动力的无代码工具，允许用户在 Hugging Face Hub 上直接使用任意指标对任意模型进行任意数据集的评估。
使用 DeepSpeed 加速大模型训练
Hugging Face 演示了如何使用 Accelerate 库集成 DeepSpeed 的 ZeRO 优化，从而实现更大的批量大小并训练原本会超出 GPU 内存限制的模型。
嵌入入门 – Hugging Face 教程
Hugging Face 宣布了一份逐步指南，介绍如何使用 Sentence‑Transformers 库和 Hugging Face Hub 创建、托管和查询向量嵌入，演示了一个可搜索的 FAQ 系统。
使用 Hugging Face Optimum 将 Transformers 转换为 ONNX
Hugging Face 提供了三种将 Transformers 模型转换为 ONNX 的方法，范围从低层的 torch.onnx API 到高层的 Optimum 库。
英特尔与 Hugging Face 的机器学习硬件加速合作
英特尔已加入 Hugging Face 硬件合作伙伴计划，开发 Optimum Intel 库，实现对英特尔平台上 Transformer 模型的训练、微调和推理的简化硬件加速。
Hugging Face 机器学习洞察总监：金融版
来自美国银行、加拿大皇家银行（RBC）和穆迪分析的专家讨论了机器学习如何通过欺诈检测和个性化产品改变金融业，同时应对遗留系统和监管要求等挑战。
使用《太空侵略者》的深度 Q 学习
Hugging Face 解释了深度 Q 学习（DQN），这是一种使用神经网络来近似 Q 值的强化学习方法，适用于像 Atari 游戏这样的高维状态空间。
注释扩散模型 – DDPM 实现的详细演练
Hugging Face 发布了一个带注释的、逐步的 PyTorch 实现，演示了去噪扩散概率模型（DDPM）的构建、训练和采样，用于图像生成。
Graphcore 和 Hugging Face 扩展 IPU 就绪的 Transformer 模型
Graphcore 和 Hugging Face 已将 Hugging Face Optimum 库扩展至包括 10 种针对 Graphcore IPU 优化的 Transformer 模型，覆盖 NLP、语音和计算机视觉。
Hugging Face Hub 社区更新：拉取请求和讨论
Hugging Face 已在 Hub 中引入拉取请求和讨论功能，使社区能够在模型、数据集和 Spaces 上进行协作，无需创建仓库 fork。
TAPEX：通过神经SQL执行实现高效表格预训练
TAPEX是一种表格预训练方法，利用合成的SQL执行对，实现了在表格问答和事实验证任务上的最新水平（SOTA）结果，并且相较于以往方法显著提升了效率。
Hugging Face 对 Q 学习的介绍
Hugging Face 提供了一份关于 Q 学习的技术指南，Q 学习是一种离策略、基于价值的强化学习方法，使用 Q 表来确定最优的状态-动作对。
Hugging Face 多模态项目伦理宪章
Hugging Face 为其多模态学习项目制定了伦理宪章，将伦理原则、透明性和公平性直接融入机器学习研究生命周期。
Sempre Health 案例研究：通过 Hugging Face 专家加速计划加速 NLP 流水线
Sempre Health 利用 Hugging Face 专家加速计划部署了一个 NLP 流水线，自动处理超过 20% 的入站患者消息，显著提升了业务可扩展性。
Hugging Face 深度强化学习课程 第2单元 第1部分：Q学习概念简介
Hugging Face 发布了其深度强化学习课程的第一部分，阐述了基于价值的方法、贝尔曼方程以及 Monte‑Carlo 与 Temporal‑Difference 学习，为 Q‑Learning 打下基础。
Hugging Face 奖学金计划公告
Hugging Face 推出了奖学金计划，通过资源、认可和定制化支持，帮助并赋能开源机器学习生态系统的关键贡献者。
机器学习专家访谈 Sasha Luccioni——关于伦理 AI 与气候影响的要点
Hugging Face 采访了研究科学家 Sasha Luccioni，她讨论了自己在伦理 AI、碳足迹测量以及将机器学习应用于气候和社会挑战方面的工作。
Gradio 3.0 发布说明
Hugging Face 已发布 Gradio 3.0，包含完整的前端重新设计，并引入 Gradio Blocks，用于在 Python 中构建复杂的自定义机器学习网页应用。
Hugging Face 学生大使计划 2022
Hugging Face 已启动首个学生大使计划，以帮助实现其在 2023 年向 500 万人教授机器学习的目标。
Hugging Face 机器学习洞察总监：SaaS 版
Hugging Face 采访了来自 Salesforce、Amplitude、ZoomInfo 和 Repustate 的四位机器学习总监，讨论将机器学习集成到 SaaS 产品中的实际挑战、常见陷阱和未来机遇。
Optimum 1.2 推理发布 添加 ONNX Runtime 加速管道
Hugging Face 宣布了 Optimum 1.2，新增了通过 ONNX Runtime 的推理支持和 Transformers 管道集成，实现更快、量化和优化的模型服务。
Hugging Face C轮融资公告
Hugging Face 获得了 1亿美元的 C 轮融资，以通过开源研究、产品和协作式机器学习加速 AI 的民主化。
fastai 与 Hugging Face Hub 的集成
Hugging Face 已将 fastai 库集成到平台，使实践者能够仅用一行 Python 代码直接将 fastai Learner 对象上传到 Hugging Face Hub 或从中下载。
Hugging Face 深度强化学习简介
Hugging Face 发布了一个免费深度强化学习入门教程，涵盖核心 RL 概念、RL 框架、探索‑利用权衡、基于策略与基于价值的方法，以及深度神经网络在 RL 中的融合。
使用 PyTorch Fully Sharded Data Parallel 加速大模型训练
Hugging Face 将 PyTorch Fully Sharded Data Parallel (FSDP) 集成到了 Accelerate 库中，通过在 GPU 之间分片优化器状态、梯度和参数，并提供可选的 CPU offloading，从而实现了海量模型的训练。
使用 Kili 和 HuggingFace AutoTrain 进行观点分类
Hugging Face 演示了如何使用 Kili 进行数据标注并利用 AutoTrain 自动化模型训练，构建文本分类的主动学习流水线。
Hugging Face 机器学习总监洞察 – 行业视角
Hugging Face 发布了一系列对六位机器学习总监的访谈，分享了 ML 如何在媒体、制药、科学、物流、营销和能源领域产生变革，同时突显了共同的挑战和未来机遇。
在 Habana Gaudi 上使用 Transformers 入门
Hugging Face 与 Habana Labs 合作，加速 Transformer 模型训练，相较于基于 GPU 的 Amazon EC2 实例，Habana Gaudi 加速器提供高达 40% 的性价比提升。
使用机器学习提升客户服务
Hugging Face 展示了如何使用微调的 DeBERTa-v3-base 模型以及 Transformers 和 Datasets 库来自动化过滤不满意的客户反馈。