Glosārijs

Hugging Face Transformers

Kas ir Hugging Face Transformers?

Hugging Face Transformers ir atvērtā pirmkoda Python bibliotēka, kas caur vienotu, konsekventu saskarni sniedz piekļuvi iepriekš apmācītiem modeļiem tekstam, attēliem un audio. Izstrādātāji to izmanto, lai lejupielādētu modeļus no Hugging Face Hub, izmēģinātu tos, pielāgotu saviem datiem vai darbinātu lokāli. Kopš 5. versijas bibliotēka galvenokārt koncentrējas uz PyTorch (stāvoklis 2026. gada oktobrī). Piemērs: komanda ar dažām koda rindām testē noskaņojuma analīzes modeli.

Tēmas

Atvērtais pirmkods
Bibliotēka
Python
Modeļi

Izmēģiniet KI.ordo

Aģenti, plūsmas un veidnes vienā darbvietā – bezmaksas 24 stundu demo.

Sākt demo

← Visi termini

Saistītie termini

Transformer

Transformers ir neironu tīklu arhitektūra, kas ieviesta 2017. gadā pētījumā „Attention Is All You Need”. Tās kodols ir uzmanības mehānisms: katrs vārds tiek svērts attiecībā pret visiem pārējiem teksta vārdiem, un aprēķinu var efektīvi paralelizēt. Transformeri ir mūsdienu valodas modeļu, piemēram, GPT, Claude un BERT, pamatā, un tos izmanto arī attēliem un audio.

Arhitektūra
Dziļā mācīšanās
+1

Lielais valodas modelis (LLM)

Lielais valodas modelis (LLM) ir neironu tīkls, kas apmācīts ar ļoti lieliem teksta apjomiem, tāpēc spēj saprast un ģenerēt valodu. Tas darbojas, soli pa solim aprēķinot visticamāko nākamo tokenu. LLM raksta, apkopo, tulko, atbild uz jautājumiem un ģenerē kodu; plaši zināmi piemēri ir Claude, GPT, Gemini un Llama. Bez piekļuves aktuāliem avotiem tie zina tikai to, kas bija to apmācības datos.

Valodas modeļi
Ģeneratīvais MI
+1

PyTorch

PyTorch ir atvērtā pirmkoda ietvars mašīnmācīšanās un dziļās mācīšanās uzdevumiem programmēšanas valodā Python. Sākotnēji to izstrādāja uzņēmumā Meta (tolaik Facebook), un kopš 2022. gada to pārrauga PyTorch Foundation Linux Foundation paspārnē. PyTorch ir plaši izmantots pētniecībā un nozarē, jo ļauj izstrādātājiem elastīgi veidot modeļus, apmācīt tos uz GPU un testēt soli pa solim; ar to veidoti daudzi pazīstami valodas un attēlu modeļi.

ietvars
dziļā mācīšanās
+1

Pielāgošana (fine-tuning)

Pielāgošana (fine-tuning) nozīmē jau iepriekš apmācīta MI modeļa tālāku apmācību ar papildu, parasti konkrētam uzdevumam paredzētiem datiem. Tā iekšējie svari tiek pielāgoti, lai modelis drošāk apstrādātu, piemēram, noteiktu rakstības stilu, nozares leksiku vai izvades formātu. Pielāgošanai nepieciešami rūpīgi sagatavoti piemēru dati, skaitļošanas jauda un testēšana. Daudzām lietojumprogrammām pietiek ar labi uzrakstītiem norādījumiem un pieslēgtām zināšanām, un tos ir vieglāk mainīt.

Modeļu apmācība
Pielāgošana
+1