Développement de jeux assisté par IA : créer un jeu de ferme en 5 jours, partie 2
Dans la deuxième partie de cette série, Hugging Face utilise ChatGPT pour la conception d'un jeu de ferme.
#tutoriel/pratique
Hugging Face BlogAI Score2222
Hugging Face BlogAI Score2020 Introduction au machine learning sur graphes
Hugging Face publie une introduction au machine learning sur graphes couvrant les fondamentaux.
Hugging Face BlogAI Score2828 Accélérer les Transformers PyTorch avec Intel Sapphire Rapids – partie 1
Intel a lancé sa 4e génération de Xeon, Sapphire Rapids.
Hugging Face BlogAI Score2222 Développement de jeux assisté par IA : créer un jeu de ferme en 5 jours, partie 1
Hugging Face publie un tutoriel montrant comment créer un jeu de ferme fonctionnel en 5 jours avec des outils IA.
Hugging Face BlogAI Score4040 CLIPSeg : segmentation d'images zero-shot avec CLIP
CLIPSeg, un modèle de segmentation d'images zero-shot publié par Timo Lüddecke et Alexander Ecker.
Hugging Face BlogAI Score2222 Guide complet des datasets audio avec Hugging Face Datasets
Hugging Face publie un guide complet sur l'utilisation de la bibliothèque open source 🤗 Datasets pour télécharger et préparer des datasets audio en une seule ligne de code Python via la fonction load_dataset. Le Hub héberge 77 datasets de reconnaissance vocale et 28 datasets de classification audio, avec un aperçu permettant d'écouter les échantillons directement. Le mode streaming et le chargement de GigaSpeech (configurations de xs à xl, de 10 à 10 000 heures) illustrent la simplicité de l'API.
Hugging Face BlogAI Score4848 Hugging Face explique le RLHF étape par étape
Hugging Face détaille le fonctionnement du Reinforcement Learning from Human Feedback (RLHF).
Hugging Face BlogAI Score2828 Deep Learning avec les protéines : du transfert learning aux modèles de langage protéiques
Hugging Face publie un article pédagogique « Deep Learning with Proteins » destiné aux biologistes et aux spécialistes du ML.
Hugging Face BlogAI Score4242 Hugging Face : prévision probabiliste de séries temporelles avec Transformers
Hugging Face présente le Time Series Transformer, un modèle probabiliste de prévision de séries temporelles intégré à la bibliothèque 🤗 Transformers. Ce modèle encodeur-décodeur.
Hugging Face BlogsélectionAI Score7575 Utiliser Stable Diffusion avec Core ML sur Apple Silicon
Grâce aux ingénieurs d'Apple, il est désormais possible d'exécuter Stable Diffusion sur Apple Silicon via Core ML. Le dépôt Apple fournit des scripts de conversion et du code d'inférence basés sur Diffusers, et les poids convertis des modèles Stable Diffusion v1.4, v1.5, v2 base et v2.1 base sont disponibles sur le Hugging Face Hub. Core ML prend en charge le CPU, le GPU et le Neural Engine, avec des variantes d'attention original et split_einsum ainsi que des formats packages pour Python et compilés pour Swift. Sur un MacBook Pro M1 Max avec macOS Ventura 13.1 Beta 4, la génération d'une image avec Stable Diffusion v1.4 a pris 18 secondes.
Motif de la recommandation :Le guide détaille les variantes de modèles Core ML et les commandes Python et Swift pour exécuter Stable Diffusion localement sur Apple Silicon.
Hugging Face BlogAI Score2222 Accélérer le Document AI : cas d'usage et modèles open source
Hugging Face détaille comment les entreprises peuvent construire des solutions Document AI avec des modèles open source.
Hugging Face BlogAI Score2222 Analyse de sentiment sur données chiffrées avec chiffrement homomorphe et Concrete-ML
Hugging Face détaille une méthode d'analyse de sentiment sur données chiffrées via la bibliothèque Concrete-ML et le chiffrement homomorphe (FHE).
Hugging Face BlogAI Score5858 Hugging Face intègre Contrastive Search dans Transformers pour la génération de texte
Hugging Face annonce l'intégration de Contrastive Search dans la bibliothèque transformers.
Hugging Face BlogsélectionAI Score6767 Entraîner Stable Diffusion avec Dreambooth via Diffusers
Hugging Face détaille comment entraîner Stable Diffusion avec la technique Dreambooth via le script de Diffusers.
Motif de la recommandation :L'article partage des réglages testés pour entraîner Stable Diffusion avec Dreambooth, notamment learning rate, étapes et prior preservation, ce qui aide à éviter le surapprentissage.
Hugging Face BlogsélectionAI Score6262 Comment fine-tuner Whisper pour la reconnaissance vocale multilingue avec Transformers
Hugging Face publie un guide pas à pas pour fine-tuner Whisper sur n'importe quel jeu de données ASR multilingue avec Transformers.
Motif de la recommandation :Un guide pas à pas pour fine-tuner Whisper sur une langue peu dotée, avec code exécutable et résultats WER mesurés.
Hugging Face BlogAI Score4848 Évaluer les biais des modèles de langage avec 🤗 Evaluate
Hugging Face ajoute à la bibliothèque 🤗 Evaluate des métriques et mesures de biais.
Hugging Face BlogAI Score3030 De PyTorch DDP à Accelerate en passant par Trainer : maîtriser facilement l'entraînement distribué
Hugging Face publie un tutoriel montrant comment passer de PyTorch DDP natif à Accelerate puis au Trainer pour l'entraînement distribué.
Hugging Face BlogAI Score4040 Hugging Face Inference Endpoints : guide de prise en main
Hugging Face lance Inference Endpoints, un service qui déploie des modèles du hub vers une infrastructure managée sur le cloud en quelques clics. Le service propose trois niveaux d'accès — Public, Protected et Private — le mode Private passant par AWS PrivateLink et un VPC Endpoint pour restreindre l'accès au compte AWS. L'exemple déploie un modèle Swin de classification d'images fine-tuné avec AutoTrain sur food101, sur une instance GPU unique hébergée sur AWS en eu-west-1, avec autoscaling et conteneur personnalisé en option.
Hugging Face BlogsélectionAI Score6262 Hugging Face Diffusers prend en charge Flax et exécute Stable Diffusion sur TPU
Hugging Face Diffusers prend en charge Flax depuis la version 0.5.1.
Motif de la recommandation :Présente la prise en charge de Flax dans Diffusers et détaille le déploiement parallèle de Stable Diffusion sur TPU, une méthode directement réutilisable.
Hugging Face BlogAI Score5858 Hugging Face : comment optimiser l'inférence de BLOOM
L'équipe Hugging Face détaille dans un article les optimisations apportées au serveur d'inférence de BLOOM.
Hugging Face BlogsélectionAI Score6262 Comment Accelerate de Hugging Face exécute de très grands modèles grâce à PyTorch
Hugging Face explique comment Accelerate s'appuie sur le device meta de PyTorch.
Motif de la recommandation :L'article détaille le mécanisme de chargement par sharding et de répartition sur plusieurs appareils, une méthode directement transférable pour exécuter de grands modèles sur du matériel limité.
Hugging Face BlogsélectionAI Score6262 Inférence BLOOM ultra-rapide avec DeepSpeed et Accelerate
Hugging Face présente trois scripts d'inférence pour le modèle BLOOM de 176 milliards de paramètres.
Motif de la recommandation :L'article compare trois solutions d'inférence pour BLOOM 176B avec des chiffres de débit et de chargement, utile pour choisir un schéma de déploiement.
Hugging Face BlogAI Score2828 Tutoriel Hugging Face : entraîner son premier Decision Transformer
Hugging Face publie un tutoriel pour entraîner de zéro un Decision Transformer offline dans l'environnement Gym HalfCheetah.
Hugging Face BlogAI Score5050 Comment entraîner un modèle de langage avec Megatron-LM
Hugging Face détaille l'entraînement d'un modèle GPT2 avec Megatron-LM de NVIDIA sur GPU.
Hugging Face BlogAI Score2222 Visualiser des protéines sur Hugging Face Spaces avec 3Dmol.js
Hugging Face explique comment intégrer la visualisation 3D de protéines dans un Space Gradio via 3Dmol.js et le bloc HTML.
Hugging Face BlogAI Score2828 Pré-entraîner BERT avec Hugging Face Transformers et Habana Gaudi
Ce tutoriel explique comment pré-entraîner BERT-base depuis zéro avec les bibliothèques Hugging Face Transformers.
Hugging Face BlogsélectionAI Score8080 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.
Hugging Face BlogAI Score2020 Déployer 🤗 ViT sur Vertex AI
Hugging Face montre comment déployer un modèle ViT B/16 de 🤗 Transformers sur Vertex AI.
Hugging Face BlogAI Score2222 Hugging Face Optimum Graphcore : guide de fine-tuning des Vision Transformers sur IPU
Hugging Face publie un guide pas à pas pour fine-tuner des modèles Transformer pré-entraînés sur les IPU de Graphcore via la bibliothèque Optimum. L'exemple entraîne un modèle ViT pré-entraîné sur ImageNet-21k sur le jeu de données ChestX-ray14, en s'appuyant sur les checkpoints et fichiers de configuration IPU déjà disponibles dans Optimum Graphcore. Les IPU sont présentés comme particulièrement adaptés aux ViT grâce au parallélisme de données et de modèle, au pipeline et à l'architecture MIMD avec IPU-Fabric.
Hugging Face BlogsélectionAI Score7878 Hugging Face intègre la quantification 8 bits LLM.int8() dans transformers
Hugging Face intègre LLM.int8() dans transformers et accelerate.
Motif de la recommandation :L'article détaille l'intégration de LLM.int8() dans transformers et accelerate, avec les pièges de chargement et les compromis de vitesse.
Hugging Face BlogAI Score2222 La philosophie TensorFlow de Hugging Face
Hugging Face détaille sa philosophie d'intégration de TensorFlow dans la bibliothèque transformers.
Hugging Face BlogAI Score2222 Déployer 🤗 ViT sur Kubernetes avec TF Serving
Hugging Face explique comment passer d'un déploiement local d'un modèle Vision Transformer (ViT) de 🤗 Transformers avec TensorFlow Serving à un déploiement scalable sur Kubernetes via Docker. Le modèle SavedModel est placé dans une structure de répertoires versionnée (hf-vit/1), copié dans un conteneur basé sur l'image officielle tensorflow/serving, puis commité en une nouvelle image Docker exposant les ports 8500 (gRPC) et 8501 (HTTP/REST). Le guide utilise Google Kubernetes Engine (GKE) pour provisionner le cluster, tout en précisant que les concepts s'appliquent aussi à Minikube.
Hugging Face BlogAI Score2222 Tutoriel : entraîner et fine-tuner des modèles Sentence Transformers
Ce guide Hugging Face, désormais obsolète, couvre l'API SentenceTransformer.fit des versions antérieures à la v3.0.
Hugging Face BlogAI Score2222 Proximal Policy Optimization (PPO) : théorie et implémentation PyTorch
Hugging Face consacre l'unité 8 de son cours gratuit de Deep Reinforcement Learning à Proximal Policy Optimization (PPO).
Hugging Face BlogAI Score2222 Nyströmformer : approximer l'auto-attention en temps et mémoire linéaires via la méthode de Nyström
Nyströmformer approxime l'auto-attention standard avec une complexité O(n) en temps et en mémoire.
Hugging Face BlogAI Score2828 TensorFlow et XLA pour une génération de texte jusqu'à 100x plus rapide
La génération de texte avec les modèles 🤗 transformers sous TensorFlow peut désormais être compilée avec XLA.
Hugging Face BlogAI Score2222 Déployer des modèles de vision TensorFlow dans Hugging Face avec TF Serving
Hugging Face permet désormais de déployer localement un modèle Vision Transformer (ViT) de classification d'images via TensorFlow Serving.
Hugging Face BlogAI Score2020 A2C (Advantage Actor Critic) : l'algorithme hybride qui stabilise l'apprentissage par renforcement
Le cours de Deep Reinforcement Learning de Hugging Face consacre son unité 7 à l'algorithme Advantage Actor Critic (A2C).
Hugging Face BlogAI Score2222 Comment entraîner dynamiquement votre modèle avec des données adverses
Hugging Face détaille la collecte dynamique de données adverses (DADC), une méthode où des humains créent des exemples pour tromper des modèles SOTA.
Hugging Face BlogAI Score5858 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.