【扩散模型从原理到实战】Chapter2 Hugging Face简介

本文主要是介绍【扩散模型从原理到实战】Chapter2 Hugging Face简介，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

Hugging Face的核心功能介绍
Hugging Face开源库
Hugging Face开源库
Gradio工具介绍
参考资料

Hugging Face是机器学习从业者协作和交流的平台，成立于2016年，在纽约和巴黎设有办事处，团队成员来自世界各地，远程办公。
致力于让好的机器学习能力可以为所有人使用
Hugging Face的logo：

Hugging Face的核心功能介绍

Hugging Face的核心产品是Hugging Face Hub，这是一个基于Git进行版本管理的存储库，用户可以在这里托管自己的模型、数据集，并为自己的模型加入模型卡片以介绍模型的内容和用法

模型卡片
这里以bert-base-uncased为例

卡片包含了该模型的全部相关信息，名称、分类标签、开源协议以及预印本平台arXiv.org上的论文引用、模型的变体发展、应用和局限、使用方法等

提供Auto Train功能支持用户上传数据集微调模型

推理API功能

在模型页面上直接“运行”模型的输入并得到输出结果
单击模型页面上的“Deploy”按钮，选择“Inference API”来调出示例代码

数据集

可以使用Hugging Face开源的Datasets中的方法进行加载

Spaces应用功能
助力开发者快速创建和部署一个机器学习应用
SDK支持使用Gradio、Streamlit、Docker和静态HTML
Space应用能获得Hugging Face提供的免费的两核CPU以及16GB内存的服务器

每个Space应用都有一个可以直接访问的网址，域名格式为用户名-Space应用名.hf.space
举个例子：
由微软认知服务团队创建的名为mm-react的Space应用的网址为
https://microsoft-cognitive-service-mm-react.hf.space
用户个人主页访问：https://hf.co/用户名
举个例子
https://hf.co/microsoft-cognitive-service

克隆某Space应用
通过Space应用的“Duplicate this Space”功能

克隆之后，可以在该Space应用原有配置的基础上加上自己的配置值，例如使用自己的计算服务器资源、自己的API密钥等

Hugging Face开源库

Hugging Face的核心产品是Hugging Face Hub，这是一个基于Git进行版本管理的存储库，用户可以在这里托管自己的模型、数据集，并为自己的模型加入模型卡片以介绍模型的内容和用法

提供Auto Train功能支持用户上传数据集微调模型

推理API功能

在模型页面上直接“运行”模型的输入并得到输出结果
单击模型页面上的“Deploy”按钮，选择“Inference API”来调出示例代码

模型训练时使用的数据集

可以使用Hugging Face开源的Datasets中的方法进行加载

Spaces功能：助力开发者快速创建和部署一个机器学习应用
SDK支持使用Gradio、Streamlit、Docker和静态HTML
Space应用能获得Hugging Face提供的免费的两核CPU以及16GB内存的服务器

每个Space应用都有一个可以直接访问的网址，域名格式为用户名-Space应用名.hf.space
举个例子：由微软认知服务团队创建的名为mm-react的Space应用的网址为
https://microsoft-cognitive-service-mm-react.hf.space
用户个人主页访问：https://hf.co/用户名，举个例子，https://hf.co/microsoft-cognitive-service

克隆某Space应用
通过Space应用的“Duplicate this Space”功能

克隆之后，可以在该Space应用原有配置的基础上加上自己的配置值，例如使用自己的计算服务器资源、自己的API密钥等

Hugging Face开源库

机器学习库和工具

Transformers
帮助使用者下载和训练SOTA的预训练模型
支持PyTorch、TensorFlow和JAX，并支持框架之间的互操作
模型导出格式支持ONNX和TorchScript等

Datasets
帮助使用者加载各种数据集

Diffusers
操作扩散模型的工具箱
提供功能包括直接使用各种扩散模型完成生成任务、使用各种噪声调度器调节模型

Accelerate
运行PyTorch训练脚本

Optimum
提供了一组性能优化工具

timm
深度学习库，包含图像模型、优化器、调度器以及训练/验证脚本等内容

Tokenizers
适用于研究和生产环境的高性能分词器

Evaluate
使用数十种流行的指标对数据集和模型进行评估

Hugging Face的GitHub组织页面以及“置顶”的开源代码仓库：

Gradio工具介绍

Gradio是什么
由Hugging Face推出的一个开源的Python库，用于构建机器学习和数据科学演示以及Web应用
帮助研究者快速创建一个交互式应用

安装和运行Gradio

安装

pip install gradio

需要构建交互式应用的代码
app.py，代码内容如下

import gradio as grdef greet(name):return "Hello " + name + "!"demo = gr.Interface(fn=greet, inputs="text", outputs="texts")demo.launch()

使用gradio命令运行Gradio应用脚本

gradio app.py

结果展示：

gradio.Interface接口
功能：为任何Python函数提供用户界面
参数介绍：
fn：待创建用户界面的目标函数的名称
inputs：用于输入的组件（如"text" “image"或"audio”）
outputs：用于输出的组件（如"text" “image"或"label”）
inputs和outputs是根据待输入内容而变化的组件

应用部署
在创建Space应用的时候将SDK设置为Gradio，即可实现将使用Gradio构建的应用直接部署到Hugging Face Spaces上

注意
使用Gradio需要Python 3.7或更高的Python版本，这对python脚本中代码语法提出了要求