#Hugging Face

PaddleHub提供超过400种高质量AI模型，覆盖计算机视觉、自然语言处理和语音识别等领域。用户仅需3行代码即可进行模型预测，同时支持模型即服务，通过简单命令即可部署。最新版本v2.3.0引入了ERNIE-ViLG、Disco Diffusion和Stable Diffusion等模型，并支持在HuggingFace平台上发布。PaddleHub兼容Linux、Windows和MacOS，适合多平台开发。

Text Generation Inference (TGI) 是一个部署和服务大型语言模型的工具包。它支持Llama、Falcon、StarCoder、BLOOM、GPT-NeoX等流行的开源模型，提供简便的启动器、分布式追踪、张量并行、多GPU推理加速、令牌流等特性。TGI还支持权重量化和安全张量加载，具备自定义提示生成和微调功能，兼容Nvidia、AMD、Inferentia、Intel GPU、Gaudi和Google TPU等硬件平台。

Tortoise TTS 是一款先进的文本转语音软件，专为提供多声音功能和高度真实的语调与韵律设计。该项目支持各种安装方式，包括pip和Docker，并提供了完善的本地安装指南。此外，Tortoise TTS 还在Hugging Face上提供在线演示，用户可体验其强大功能。它使用了自回归解码器和扩散解码器，大幅提升了语音生成的速度和质量。无论是个人用户还是开发者，都可通过详细的使用指南迅速上手和部署。

本页面提供Hugging Face深度强化学习课程的全部资源，包括mdx文件和教程笔记。学习者可获取课程大纲、注册信息及详细介绍，适合研究AI和机器学习的人员深入了解深度强化学习的核心概念和应用技术。

Hugging Face是开放源码机器学习平台，支持模型、数据集与应用的无限制托管，包含丰富的模态支持，已服务于超过5万家机构。

免费深度强化学习课程，结合理论与实践，掌握Stable Baselines3、RL Baselines3 Zoo、Sample Factory和CleanRL等库的使用。训练智能体在SnowballFight、Huggy the Doggo、MineRL（Minecraft）、VizDoom（Doom）及经典环境（如Space Invaders、PyBullet）中运行。发布和下载社区智能体，并参与挑战与其他团队及AI对抗。

MergeKit是一款合并预训练语言模型的工具，支持Llama、Mistral、GPT-NeoX等多种模型。该工具采用先进的方法，在资源有限的情况下执行复杂的合并操作。MergeKit可以在CPU或最低8GB VRAM环境下运行，支持多种合并算法，如线性插值、任务算术、TIES等。还提供图形用户界面并集成到Hugging Face Spaces，简化了模型合并流程。

Basaran是一款开源工具，旨在替代OpenAI的文本生成API，支持Hugging Face Transformers模型。其主要功能包括流式生成、多GPU支持、与OpenAI API的兼容性等。用户无需修改代码即可使用最新的开源模型，适用于多种解码策略和实时进度显示。

了解如何使用LoRA和Hugging Face Transformers库高效微调大型语言模型。项目提供详细的教程笔记本，包括在Colab中微调Llama 2、GPT-Neo-X-20B、MPT-Instruct-30B等模型的指导和代码示例。无论新手或专家，均可找到实用资源，提升语言模型性能。欢迎贡献和提交问题，共同完善此开源项目。

LlamaGen项目展示了自回归模型在图像生成中的潜力，通过无偏视觉信号和大规模数据训练，实现了媲美扩散模型的性能。该项目发布了多种图像tokenizer和生成模型，支持从100M到3B参数的多种配置，并提供在线演示和高效的vLLM服务框架。访问项目页面和在线demo，体验这些创新模型的强大功能。

ReplitLM模型使用指南和配置文件，涵盖模型下载、Hugging Face Transformers集成、训练与微调及指令调优。内容不断更新，提供GPU支持的在线演示和LLM Foundry优化的训练方法。包括详细的安装步骤、数据集转换方法及运行配置示例，帮助用户快速掌握并实现自定义模型训练。

LLaVA-pp项目整合了Phi-3 Mini Instruct和LLaMA-3 Instruct模型，提升了视觉模型的能力。用户可通过Hugging Face Spaces和在线演示了解LLaMA-3-V和Phi-3-V的更新和结果。项目包含多种预训练及微调模型，支持学术任务和指令跟随应用。

探索🤗 Transformers——一个功能全面的机器学习库，覆盖文本、视觉与音频处理。该库提供数千种可对接JAX、PyTorch或TensorFlow的预训练模型，适用于多种语言处理与多模态任务。主要功能包括： - 文本分类 - 信息提取 - 问答系统 - 摘要生成 - 翻译 - 文本生成 此外，还能处理表格问答、OCR及视觉问答等多模态任务。Transformers库易于使用，支持模型间的快速切换与无缝整合。

🤗 Datasets是一个高效的轻量级数据处理库，支持一行代码完成数据集的下载和预处理。库支持Numpy、Pandas、PyTorch、TensorFlow和JAX等框架，并提供智能缓存及大规模数据集的流式处理，有效减轻内存限制的压力，简化机器学习和数据分析的前置工作。

该课程为学习者提供了实用的OpenAI与Hugging Face模型操作经验。内容覆盖从聊天机器人、代码生成等基技术到结构化大型项目实操，适合企业技术人员和个人开发者。

local-llm-function-calling项目使Hugging Face文本生成模型能够遵循JSON schema，并轻松制定函数调用提示。该项目的Generator类简化了文本生成过程，确保输出符合提供的提示和JSON schema。此外，还支持用户自定义约束和提示结构，以优化数据提取和格式化。

Bonito：一个开源模型，用于生成用于指令调优的训练数据集，将无标注文本转化为适应多种任务需求的数据集。基于Hugging Face的Transformers和VLLM库，Bonito支持数种任务类型，包括问题生成和自然语言推理，适合学术研究及技术开发使用。

本项目提供全面的日语自然语言处理（NLP）资源，包括Python库、语言模型、词典和语料库等。收录了605个GitHub仓库和820个Hugging Face模型及数据集，并附带一个搜索工具方便查找更新信息。项目定期更新，最新包括Mozc UT地名词典和Kana-Kanji转换模块。资源涵盖形态分析、句法分析、情感分析及机器翻译等，是日语NLP研究和应用的重要参考。

phi3-Chinese收录多种phi3训练变体，小体积高性能，适用于手机部署。提供Phi-3-mini-128k-instruct-Chinese中文版和其他英文原版模型的下载链接，并包含训练、推理和部署的详细教程。尽管目前版本存在词表过小和实际效果与预期不符的问题，但仍适用于轻量级垂直任务。

此项目利用大语言模型根据用户的研究兴趣和自然语言描述，提供个性化的arXiv最新论文摘要和推荐。用户可以通过Hugging Face平台使用服务，并通过OpenAI API密钥设置每日订阅，生成定制化的HTML摘要并通过SendGrid API发送邮件。该工具有效节省了科研人员筛选和阅读论文标题和摘要的时间，提高了研究效率。

LLaMA-LoRA Tuner通过Google Colab、一键启动和多云服务支持，简化了LLaMA模型的评估和微调。用户可在Hugging Face查看演示，支持通过Google Drive和JSON格式加载和存储数据。此项目实现了多基础模型切换和多训练数据集格式支持，新增聊天界面和演示模式以优化新模型展示。

该项目为根据人类偏好预训练语言模型提供了一套基于Hugging Face Transformers和wandb的工具。项目实现了五种预训练目标，通过对训练数据注释并使用这些目标函数提升模型性能，包括毒性检测和隐私信息识别等任务。项目还提供详细的配置文件和评估方式指导。

借助faster-whisper、Diart和Pyannote，构建支持99种语言的实时语音转文字应用程序。可以通过在线演示版直接体验，并依据清晰的设置指南迅速启动。该项目支持调整多种参数如模型大小、语言选择和转录方法，优化转录体验。项目依赖于Hugging Face Hub上的Pyannote模型，需先接受相应使用条款。提供详细的安装步骤和故障排查指导，方便解决常见问题。

该项目列出了多个优秀的开源项目和应用，均与Hugging Face库集成，为各类NLP任务提供有效的解决方案。内容涵盖官方库教程、NLP工具包、文本表示、推理引擎、模型扩展、模型压缩、对抗攻击、风格转换、情感分析、语法纠正、翻译、知识与实体、语音处理、多模态学习、强化学习、问答系统、推荐系统、评估工具、神经搜索、云支持和硬件支持等多个领域。此项目能够帮助用户找到并使用适合的工具和库，提升自然语言处理任务的效率和效果。

该项目提供了由Hugging Face开发的Transformers库的快速入门教程，支持加载大部分预训练语言模型。教程涵盖自然语言处理背景知识、Transformers基础和实战案例，包括pipelines、模型与分词器使用、微调预训练模型及序列标注任务等。示例代码展示了句子对分类、命名实体识别、文本摘要等任务的实现，适合机器学习和NLP开发者参考。

本项目提供了关于如何使用Transformers模型在自然语言处理任务中进行精细调优的详细教程，包括文本分类、情感分析、命名实体识别和摘要生成等案例。教程旨在帮助用户掌握应用最新NLP技术的技巧，并提供配套的Python代码示例和工具指南。

Dataset viewer 通过 API 提供预处理数据，方便用户浏览和管理 Hugging Face Hub 上的所有数据集。用户可分页查看数据，每页包含 100 行，并通过底部按钮进行导航、过滤、搜索数据和查看基本统计信息。前端组件未开源，遇到问题或需要新功能，可以通过 GitHub 反馈。用户还可通过贡献想法、回答问题、报告错误与改进建议来支持项目改进。

此课程讲解如何将Transformers应用于自然语言处理及其他任务，并介绍Hugging Face生态系统的使用，包括Transformers、Datasets、Tokenizers和Accelerate工具，以及Hugging Face Hub。课程完全免费且开源，支持多语言翻译学习，旨在推广机器学习。对于翻译课程感兴趣的用户，可在GitHub上开issue并加入Discord讨论。

PromptSource是一款工具包，旨在创建、共享和使用自然语言提示。支持数据集到目标输出的映射，并包含不断扩展的提示库。通过简单的API访问数千个提示。由BigScience项目开发，强调跨任务训练提升零样本性能，提供Web界面和文档，适应多语言数据集。

FashionCLIP是一个为时尚行业优化的CLIP模型，用于提升商品检索、分类和时尚分析的表现。通过超过70万对图像和文本数据进行微调，FashionCLIP在零样本场景下表现出色。更新版FashionCLIP 2.0采用更多训练数据，显著提高了FMNIST、KAGL和DEEP数据集的性能。项目提供开源代码和模型权重，可在Hugging Face上获取，并支持多种API和教程便于上手。

SpanMarker是一个基于Transformer库的命名实体识别框架，支持BERT、RoBERTa和ELECTRA等编码器。框架提供模型加载、保存、超参数优化、日志记录、检查点、回调、混合精度训练和8位推理等功能。用户可以方便地使用预训练模型，并通过免费API进行快速原型开发和部署。

该项目提供统一框架，用于评估生成式语言模型，通过60多个标准学术基准和数百个子任务实现多样化测试。更新包括新的Open LLM Leaderboard任务、内部重构、基于配置的任务创建、Jinja2提示设计支持等高级配置选项，旨在简化和优化模型评估。支持快速高效推理、商业API、本地模型和基准测试。被广泛应用于机构如NVIDIA、Cohere、BigScience等，也支撑了🤗 Hugging Face的Open LLM Leaderboard。

lighteval是一款轻量级LLM评估套件，兼容datatrove和nanotron库，支持CPU和多GPU环境，能处理超大模型。多任务配置允许自定义和社区任务，具备数据并行、管道并行及Hugging Face Hub集成功能。适用于复杂模型配置和推理端点。

该页面介绍了一个适用于Stable Diffusion v2.1的Gradio应用，支持文本到图像、图像到图像、图像修复、图像放大和深度到图像等多种功能。此项目由Stability AI和Hugging Face提供支持，可在Colab平台上运行。

Würstchen通过在高度压缩的潜在空间中进行文本条件处理，能够实现42倍压缩并保留高质量的图像重构。该模型的多阶段压缩策略显著降低了训练时间和计算成本。用户可以借助Colab和diffusers库使用Würstchen生成文本到图像的内容，同时提供Stage B和Stage C的训练脚本便于用户自行训练模型。详细信息请查看官方文档和论文。

AutoTrain Advanced 是一款无代码解决方案，只需几次点击即可训练机器学习模型。需要上传正确格式的数据以创建项目，关于数据格式和定价的详细信息请查阅文档。AutoTrain 免费使用，只需为使用的资源付费。支持在 Colab 和 Hugging Face Spaces 上运行，也可以通过 PIP 本地安装。适用于 Python 3.10 及以上版本，推荐在 Conda 环境中运行。更多信息请访问项目文档页面。