Aller au contenu
Voir seulementPremière main#Écosystème open source
31 aoûtmer.
22 aoûtlun.
  1. Hugging Face Blog80

    Stable Diffusion avec 🧨 Diffusers : guide pratique et explication du fonctionnement

    Hugging Face présente comment utiliser Stable Diffusion, un modèle de diffusion latent texte-image créé par CompVis.

    Motif de la recommandation :L'article détaille l'utilisation de Stable Diffusion avec la bibliothèque Diffusers, du code d'inférence de base à la construction d'un pipeline personnalisé, avec des explications sur les composants du modèle.

17 aoûtmer.
12 aoûtven.
3 aoûtmer.
14 juilletjeu.
  1. Hugging Face Blog58

    La technologie derrière l'entraînement de BLOOM : 384 GPU A100 et Megatron-DeepSpeed

    L'équipe BigScience de Hugging Face détaille l'infrastructure matérielle et logicielle utilisée pour entraîner le modèle multilingue BLOOM de 176 milliards de paramètres. L'entraînement a mobilisé 384 GPU NVIDIA A100 80GB répartis sur 48 nœuds, avec une architecture GPT-3 enrichie, un jeu de données de 350 milliards de tokens couvrant 46 langues, et une durée d'environ 3,5 mois sur le supercalculateur Jean Zay. Le framework Megatron-DeepSpeed combine le parallélisme de données ZeRO, le parallélisme tensoriel de Megatron-LM et le parallélisme de pipeline pour répartir l'entraînement, tandis que le format BF16 et des kernels CUDA fusionnés ont permis de stabiliser et d'accélérer le processus.

29 juinmer.
  1. Hugging Face Blog17

    Liftoff! Comment démarrer votre premier projet ML 🚀

    Hugging Face publie un guide pour débutants qui utilise Sentence Transformers (ST) comme exemple pour passer de zéro à un premier projet ML autonome. ST transforme des phrases en embeddings vectoriels et fournit la fonction util.cos_sim pour calculer la similarité cosinus (score de -1 à 1), avec le modèle msmarco-MiniLM-L-6-v3 chargé dans un Jupyter notebook. La bibliothèque compte près de 8 000 étoiles sur GitHub et plus de 3 000 projets et packages qui en dépendent, et sert à la recherche sémantique, au clustering, à la distillation de modèles ou à CLIP.

28 juinmar.
  1. Hugging Face Blog62

    Hugging Face lance Evaluation on the Hub, l'évaluation de modèles sans code

    Hugging Face annonce Evaluation on the Hub, un outil propulsé par AutoTrain qui permet d'évaluer n'importe quel modèle sur n'importe quel jeu de données du Hub sans écrire une ligne de code. Les résultats sont encodés dans les métadonnées des fiches de modèles et une pull request est ouverte automatiquement, avec des classements par jeu de données et par métrique. L'équipe a déjà évalué des centaines de modèles sur plusieurs jeux de données clés et cite trois cas d'usage principaux : trouver le meilleur modèle pour une tâche, évaluer des modèles sur un nouveau jeu de données et tester un modèle sur de nombreux jeux de données liés.

    Motif de la recommandation :Hugging Face ouvre l'évaluation de modèles sur le Hub sans code, avec résultats intégrés aux fiches de modèles et classements consultables.

15 juinmer.
26 maijeu.
25 maimer.
19 maijeu.
17 maimar.
16 mailun.
13 maiven.
10 maimar.
9 mailun.
6 maiven.
25 avrillun.
5 avrilmar.
28 marslun.
22 marsmar.
2 marsmer.
25 janviermar.
23 décembrejeu.
21 décembremar.
  1. Hugging Face Blog62

    Hugging Face acquiert Gradio

    Hugging Face annonce l'acquisition de Gradio, la bibliothèque open source de démonstration de modèles de machine learning. L'un des fondateurs de Gradio.

    Motif de la recommandation :L'annonce de l'acquisition de Gradio par Hugging Face et le rappel des 300 000 démos construites permettent de situer l'évolution de l'outillage de démonstration ML.

15 décembremer.
29 novembrelun.
26 octobremar.
20 octobremer.
5 octobremar.
13 juilletmar.
28 juinlun.
25 maimar.
  1. Hugging Face Blog60

    Gradio 2.0 : utiliser et combiner les modèles Hugging Face en une ligne de code

    Gradio 2.0 permet de charger et d'utiliser presque n'importe quel modèle Hugging Face avec une interface graphique en une seule ligne de code.

    Motif de la recommandation :Gradio 2.0 permet de charger et combiner des modèles Hugging Face en une ligne, avec un exemple de traduction et résumé en trois lignes.

16 avrilven.
  1. Hugging Face Blog62

    Hugging Face lance la bibliothèque Accelerate pour l'entraînement PyTorch distribué

    Hugging Face présente Accelerate, une bibliothèque qui permet d'exécuter un script d'entraînement PyTorch brut sur n'importe quel type de dispositif distribué (multi-GPU sur un ou plusieurs nœuds, TPU) et avec ou sans précision mixte, en ajoutant cinq lignes de code. Elle fournit une API unifiée qui abstrait le code répétitif et une commande de lancement pour exécuter les scripts sur différentes configurations. Les plans futurs incluent le support de fairscale, deepseed, ainsi que du parallélisme de données et de modèle spécifique à AWS SageMaker. L'installation se fait via pip install accelerate.

    Motif de la recommandation :L'article détaille les cinq lignes à ajouter à un script PyTorch pour exécuter l'entraînement distribué et la précision mixte, avec le lanceur CLI et la configuration.

9 marsmar.
3 novembremar.
14 févrierven.