文章图片

有了机器学习运维 ， 软件定义的基础设施和平台 ， 我们就可以很容易地将想法从沙盒带入生产 。 回到开头的几个问题 ， 你需要的是更多精通机器学习的软件和开发运维工程师 ， 而不是更多的数据科学家 。
Transformer
人工智能状况报告表示：“Transformer 架构的应用已经远远超出了自然语言处理 ， 正在成为通用的机器学习架构 。 ”例如 ， 最近的模型 ， 如 Google 的Vision Transformer 是一种无卷积 Transformer 架构 ， 还有 CoAtNet 结合了 Transformer 与卷积 ， 为 ImageNet 的图像分类设定了新的基准 ， 同时训练所需的计算资源也更少 。
另外 ， Transformer 在音频（例如语音识别）以及点云（一种用于模拟自动驾驶 3D 环境的技术）方面的表现也很出色 。
Kaggle的调查结果也表明 Transformer 的兴起 。 该框架的使用量逐年增长 ， 而 RNN、CNN 和梯度提升算法正在衰退 。

文章图片

除了提高准确性之外 ， Transformers 还在不断改善迁移学习 ， 不仅能够节省训练时间和计算成本 ， 而且还能更快地交付业务价值 。
随着 Transformers 的发展 ， 机器学习的世界正在由“从零构建和训练深度学习模型”逐步转变为“选择一个现成的模型 ， 然后利用数据进行微调即可使用 。 ”
从很多方面来说 ， 这是一件好事 。最先进的技术在不断进步 ， 几乎没有人能跟上该领域无情的步伐 。 还记得之前提到的 Google Vision Transformer 模型吗？你想试试看这个模型吗？在Hugging Face 的帮助下 ， 尝试该模型非常简单 。
还记得 Big Science 项目推出了最新的零样本文本生成模型吗？如今 ， 你可以通过Hugging Face ， 尝试 16,000 多个模型和1,600 多个数据集 ， 此外还可以使用推理、AutoNLP、延迟优化和硬件加速等工具 。
HuggingFace 的目标是提高机器学习的易用性和效率 ， 无论你是初学者还是专家 ， 都可以轻松地使用各种机器学习模型 。
我们希望尽可能减少训练、优化和部署模型所需编写的代码量 。 我们希望基础设施尽可能透明 。 我们希望提供高质量的生产模型 。

文章图片

参考链接：
https://huggingface.co/blog/the-age-of-ml-as-code
?库克霸气回应：用户想侧载可以买安卓；腾讯员工人均月薪8万；Facebook与微软达成合作 | 极客头条
?CentOS 8 ， 凛冬将至！
?英伟达黄仁勋的元宇宙梦想：虚拟世界将如同互联网站那样不断涌现