ღრმა სწავლის ხელმისაწვდომობის კუთხით, ცოტას თუ გაუკეთებია იმდენი, რამდენიც fast.ai-ს ეკოსისტემას. Hugging Face-ში ჩვენი მისიაა კარგი მანქანური სწავლის დემოკრატიზაცია. მოდით, წარსულს ჩავაბაროთ მანქანურ სწავლაზე, მათ შორის წინასწარ გაწვრთნილ მოდელებზე, წვდომის ექსკლუზიურობა და კიდევ უფრო წინ წავიწიოთ ამ საოცარ სფეროში. fastai არის ღია კოდის ღრმა სწავლის ბიბლიოთეკა, რომელიც იყენებს PyTorch-სა და Python-ს, რათა უზრუნველყოს მაღალი დონის კომპონენტები სწრაფი და ზუსტი ნერვული ქსელების დასატვირთად, უახლესი შედეგებით ტექსტზე, გამოსახულებასა და ტაბულურ მონაცემებზე. თუმცა, fast.ai, როგორც კომპანია, უბრალოდ ბიბლიოთეკაზე მეტია; ის გადაიქცა ღია კოდის კონტრიბუტორებისა და ნერვული ქსელების შემსწავლელი ადამიანების აყვავებულ ეკოსისტემად. მაგალითად, გაეცანით მათ წიგნს და კურსებს. შემოუერთდით fast.ai-ს Discord-სა და ფორუმებს. გარანტირებულია, რომ მათ საზოგადოებაში ყოფნით ისწავლით! ყოველივე ამის, და მეტის გამო (ამ პოსტის ავტორმა საკუთარი მოგზაურობა fast.ai-ს კურსის წყალობით დაიწყო), სიამაყით ვაცხადებთ, რომ fastai-ს პრაქტიკოსებს ახლა შეუძლიათ მოდელების გაზიარება და ატვირთვა Hugging Face Hub-ზე პითონის ერთი ხაზის კოდით. ამ პოსტში წარმოგიდგენთ fastai-სა და Hub-ს შორის ინტეგრაციას. გარდა ამისა, შეგიძლიათ გახსნათ ეს ტუტორიალი Colab ნოუთბუქის სახით. გვინდა მადლობა გადავუხადოთ fast.ai-ს საზოგადოებას, განსაკუთრებით ჯერემი ჰოვარდს, უეიდ გილიამს და ზაქ მიულერს მათი გამოხმაურებისთვის. ეს ბლოგი დიდწილად შთაგონებულია fastai-ს დოკუმენტაციის Hugging Face Hub-ის სექციით. Hub არის ცენტრალური პლატფორმა, სადაც ნებისმიერ მსურველს შეუძლია გააზიაროს და შეისწავლოს მოდელები, მონაცემთა ნაკრებები და მანქანური სწავლის დემოები. მას აქვს ღია კოდის მოდელების, მონაცემთა ნაკრებების და დემოების ყველაზე ფართო კოლექცია. Hub-ზე გაზიარება აძლიერებს თქვენი fastai მოდელების გავლენას, რადგან მათ ხელმისაწვდომს ხდის სხვებისთვის ჩამოსატვირთად და შესასწავლად. ასევე შეგიძლიათ გამოიყენოთ ტრანსფერული სწავლა fastai მოდელებთან; ჩატვირთოთ სხვისი მოდელი, როგორც საფუძველი თქვენი ამოცანისთვის. ნებისმიერ მსურველს შეუძლია მიიღოს წვდომა Hub-ში არსებულ ყველა fastai მოდელზე hf.co/models ვებგვერდის fastai ბიბლიოთეკით გაფილტვრით. მოდელების უფასო ჰოსტინგისა და ფართო საზოგადოებისთვის ხელმისაწვდომობის გარდა, Hub-ს აქვს ჩაშენებული ვერსიის კონტროლი, რომელიც დაფუძნებულია Git-ზე (git-lfs, დიდი ფაილებისთვის) და მოდელის ბარათები აღმოჩენადობისა და რეპროდუცირებადობისთვის. Hub-ის ნავიგაციის შესახებ მეტი ინფორმაციისთვის იხილეთ ეს შესავალი. Hub-ში მოდელების გასაზიარებლად, დაგჭირდებათ მომხმარებლის ანგარიში. შექმენით ის Hugging Face-ის ვებგვერდზე. huggingface_hub ბიბლიოთეკა არის მსუბუქი პითონის კლიენტი, რომელსაც აქვს დამხმარე ფუნქციები Hugging Face Hub-თან ურთიერთობისთვის. fastai მოდელების Hub-ში ასატვირთად, საჭიროა გქონდეთ რამდენიმე წინასწარ დაინსტალირებული ბიბლიოთეკა (fastai>=2.4, fastcore>=1.3.27 და toml). მათი ავტომატურად დაინსტალირება შეგიძლიათ huggingface_hub-ის ინსტალაციისას ["fastai"]-ის მითითებით, და თქვენი გარემო მზად იქნება: აქ ჩვენ ვწვრთნით პირველ მოდელს fastbook-ში კატების იდენტიფიცირებისთვის. სრულად გირჩევთ, წაიკითხოთ მთელი fastbook-ი. Learner არის fastai ობიექტი, რომელიც აერთიანებს მოდელს, მონაცემთა ჩამტვირთველებსა და დანაკარგის ფუნქციას. ამ პოსტის განმავლობაში სიტყვებს „Learner“ და „Model“ ურთიერთშენაცვლებით გამოვიყენებთ. პირველ რიგში, შეხვიდეთ Hugging Face Hub-ში. თქვენ დაგჭირდებათ „წერის ტოკენის“ შექმნა თქვენი ანგარიშის პარამეტრებში. შემდეგ შესასვლელად სამი ვარიანტია: აკრიფეთ huggingface-cli login თქვენს ტერმინალში და შეიყვანეთ თქვენი ტოკენი. თუ პითონის ნოუთბუქში ხართ, შეგიძლიათ გამოიყენოთ notebook_login. შეგიძლიათ გამოიყენოთ push_to_hub_fastai იმ Learner-თან ერთად, რომლის ატვირთვაც გსურთ, და Hub-ის რეპოზიტორის ID-სთან ერთად "namespace/repo_name" ფორმატში. ნეიმსფეისი შეიძლება იყოს ინდივიდუალური ანგარიში ან ორგანიზაცია, რომელზეც გაქვთ წერის უფლება (მაგალითად, 'fastai/stanza-de'). დამატებითი დეტალებისთვის, იხილეთ Hub კლიენტის დოკუმენტაცია. Learner ახლა Hub-შია, რეპოში სახელად espejelomar/identify-my-cat. ავტომატურად იქმნება მოდელის ბარათი რამდენიმე ბმულითა და შემდგომი ნაბიჯებით. fastai Learner-ის (ან ნებისმიერი სხვა მოდელის) Hub-ში ატვირთვისას სასარგებლოა მისი მოდელის ბარათის რედაქტირება, რათა სხვებმა უკეთ გაიგონ თქვენი ნამუშევარი (იხილეთ Hugging Face-ის დოკუმენტაცია). თუ გსურთ მეტი გაიგოთ push_to_hub_fastai-ის შესახებ, ეწვიეთ Hub კლიენტის დოკუმენტაციას. არსებობს რამდენიმე საინტერესო არგუმენტი, რომელიც შეიძლება დაგაინტერესოთ. გახსოვდეთ, თქვენი მოდელი არის Git რეპოზიტორი, ყველა იმ უპირატესობით, რაც ამას თან ახლავს: ვერსიის კონტროლი, კომიტები, ბრენჩები... მოდელის Hub-დან ჩატვირთვა კიდევ უფრო მარტივია. ჩვენ ჩავტვირთავთ ჩვენს Learner-ს, "espejelomar/identify-my-cat", და გამოვცდით მას კატის გამოსახულებით. ეს კოდი ადაპტირებულია fastbook-ის პირველი თავიდან. პირველ რიგში, ატვირთეთ კატის გამოსახულება (ან შესაძლოა ძაღლის?). ამ ტუტორიალის Colab ნოუთბუქი იყენებს ipywidgets-ს კატის გამოსახულების ინტერაქტიულად ასატვირთად. აქ ჩვენ გამოვიყენებთ ამ საყვარელ კატას: ახლა კი ჩავტვირთოთ Learner, რომელიც ახლახან გავაზიარეთ Hub-ში და გამოვცადოთ. ის მუშაობს! Hub კლიენტის დოკუმენტაცია მოიცავს დამატებით დეტალებს from_pretrained_fastai-ზე. Blurr არის ბიბლიოთეკა, რომელიც შექმნილია fastai-ს დეველოპერებისთვის, რომლებსაც სურთ Hugging Face-ის ტრანსფორმერების გაწვრთნა და განთავსება - Blurr Docs. ჩვენ გავაკეთებთ შემდეგს: თანამშრომლობა და ღია კოდი ფანტასტიკურია! პირველ რიგში, დააინსტალირეთ blurr და გაწვრთენით Learner. გამოიყენეთ push_to_hub_fastai მოდელის გასაზიარებლად.