Hugging Face 简介

Hugging Face 简介#

什么是 Hugging Face？#

Hugging Face 是人工智能开源社区中的一家重要企业。其官网提供了数据集、模型和“空间（Spaces）”等资源，并开发了多个核心库（主要包括 transformers、diffusers 和 datasets）。

为什么使用 Hugging Face？ Hugging Face 提供了简化的方式来访问最先进的复杂模型，让用户能够快速高效地使用这些模型。此外，用户还可以通过网站上的“空间（Spaces）”类别测试模型，并下载社区提供的数据集。在某种程度上，它是深度学习领域的“GitHub”。

本课程将学习哪些内容？#

本课程的理论内容较少，但将带您探索高性能模型，并了解深度学习的最新能力。课程内容参考了 Hugging Face 官网 的资源，以及 deeplearning.ai 上的免费课程 “Open Source Models with Hugging Face”。建议您查阅该课程，其中涵盖了计算机视觉、音频和自然语言处理（NLP）等多个应用领域。

课程大纲：

  • 介绍部分：介绍 Hugging Face 官网 及其三大核心板块：模型（Models）、数据集（Datasets） 和 空间（Spaces）。

  • 后续三个笔记本：专注于 transformers 库的使用：

    1. 第一个笔记本介绍 视觉模型。

    2. 第二个笔记本介绍 自然语言处理（NLP）。

    3. 第三个笔记本介绍 音频模型。

  • 扩散模型笔记本：介绍 diffusers 库，用于使用扩散模型（如 Stable Diffusion）生成图像。

  • 最后一个笔记本：介绍 Gradio 库，用于快速创建模型演示的交互界面。

Hugging Face 官网#

空间（Spaces）#

空间（Spaces） 是最直观且易于上手的板块，汇集了各种模型的演示示例。

以下是其首页截图：

Spaces

演示示例（Spaces）按用途和热度分类，您也可以使用“搜索空间（Search spaces）”功能查找特定模型进行测试。 建议您定期浏览不同的空间，以便及时了解深度学习领域的最新动态。

如果您自行训练了一个模型，可以通过“创建新空间（Create New Space）”工具免费分享。这需要掌握 Gradio 库的基础知识，我们将在本课程的最后一个笔记本中介绍。

模型（Models）#

有时，您想测试的模型在“空间（Spaces）”中没有提供，或者您希望在自己的代码中使用。此时，需要前往网站的 模型（Models） 板块。 该板块汇集了大量开源模型。

以下是其页面截图：

Models

该页面包含丰富的信息。您可以通过“按名称筛选（Filter by name）”搜索特定模型， 也可以使用左侧的筛选器按类别查找模型。

例如，假设我想寻找一个“零样本目标检测（zero-shot object detection）”模型，该模型能够基于 提示（prompt） 在图像中检测任意对象。

什么是提示（Prompt）？ 提示（Prompt）是指导模型执行任务的输入。在自然语言处理（NLP）中，提示通常是用户输入的文本。提示也可以是图像上的坐标（用于分割任务）、图像或视频。大多数情况下，提示指的是为模型输入添加的文本。 例如，在“零样本目标检测”中，如果我想在图像中检测香蕉，模型的输入将是图像和文本 “banana”。

为了找到合适的模型，我使用左侧筛选器选择“零样本目标检测（zero-shot object detection）”类别，并查看推荐的模型列表。

Zero-shot

我选择了“IDEA-Research/grounding-dino-tiny”模型，进入其详情页面：

Model Card

模型卡片（Model Card） 提供了模型的详细说明（如工作原理、功能等）。 要获取直接在 Python 中使用该模型的代码（通过 transformers 或 diffusers 库，取决于模型类型），可点击“使用该模型（Use this model）”按钮。

以下是该模型对应的示例代码：

Code

在后续的笔记本中，我们将学习如何使用该代码完成具体任务。

数据集（Datasets）#

如果您希望训练自己的模型，则需要数据集。您可以选择自行创建，也可以使用 Hugging Face 上提供的众多开源数据集。

数据集（Datasets） 页面的布局与 模型（Models） 页面类似，同样支持筛选和搜索功能：

Datasets

选择某个数据集后，将进入其详情页面：

Dataset Page

与模型类似，数据集卡片（Dataset Card） 可查看数据集的内容和说明。要直接在 Python 中使用该数据集，可点击“在 Datasets 库中使用（Use in Datasets library）”获取对应的 Python 代码。

其他板块#

该网站的功能远不止于此，但本介绍并非全面概述。建议您自行探索网站，发现感兴趣的内容。 在后续的笔记本中，我们将概述 Hugging Face 支持的模型类型，并介绍如何在 Python 中使用它们。

Contents