​

Hugging ansikt er Github fra maskinens læringssamfunn, med hundretusener av forhåndsutdannede modeller og 10 000 datasett som for tiden er tilgjengelig. Du kan fritt få tilgang til modeller og datasett som andre industrieksperter eller -verter, og bruke modellene dine på Håpeing-Face.

Noen eksempler på modeller som er tilgjengelig i biblioteket Hugging Face omfatter:

1. ERT (biveis koderepresentasjoner fra Transformere): BERT er en transformerbasert modell utviklet av Google for ulike oppgaver med NMP. Studien har oppnådd topp-kunst resulterer i språkforståelse og maskinoversettelsesoppgaver.
2. GPT (Generativ overføring før opplæring): GPT er en annen transformerbasert modell utviklet av OpenAI. Det brukes hovedsakelig til oppgaver for språkgenerering, som oversettelse og tekstoppsummering.
3. RoBERTa (Rustly Optimized BERT): RoBERTa er en forlengelse av BERTT-modellen som ble utviklet for å forbedre BERTs ytelse ved ulike NLP-oppgaver.
4. XLNet (eXtraordinary LanguageNet): XLNet er en transformator-basert modell utviklet av Google som er utformet for å forbedre ytelsen til transformatormodeller for å forstå språket.
5. ALBERT (A Lite BERT): ALBERT er en versjon av BERT-modellen som ble utviklet for å være mer effektivt og raskere for å trene opp og holde god ytelse på NLP-oppgaver.

​

Hva du kan gjøre med Hugging ansikt i ILLA Builder

I Hugging Face, finnes over 130 000 maskinlæringsmodeller over API, som du kan bruke og teste gratis på https://huggingface.co/models. I tillegg, hvis du trenger en løsning for produksjonsscenarier, kan du bruke Hugging Face’s Inference Endpoints, som kan distribueres og nås på https://huggingface.co/docs/inference-endpoints/index.

ILLA-bygger gir dusinvis av vanlig brukte komponenter, slik at du kan bygge forskjellige frontendens grensesnitt basert på dine spesifikke behov raskt. Samtidig tilbyr ILLA en tilkobling til Hugging Face, noe som tillater deg å raskt koble til API-et, sende forespørsler og motta returnerte data. Etter å koble til API og front-end komponenter, du kan implementere kravet til at brukerne kan legge inn innhold gjennom forenden og sende det inn på API-et. API returnerer det genererte innholdet som skal vises på forsiden.

​

Konfigurere Hugging Ansikt API-ressurser

​

Konfigurer handling

Hvordan du bruker Hugging Ansikt i ILLA Builder

​

Trinn 1: Bygg UI med komponenter på ILLA-bygger

Basert på det forventede bruksscenarioet du beskrevet, bygg et grensegrensesnitt. For eksempel kan du bruke inndata og bildekomponenter hvis produktet ditt tar inn tekst og skrive ut et bilde. Hvis produktet ditt tar i tekst og utdata generert tekst, kan du bruke inndata og tekstkomponenter.

Følgende bilde er et eksempel på en frontendeside for et produkt som svarer på spørsmål basert på kontekst.

​

Trinn 2: Opprett en Hugging Ansikts-ressurs og config handlingene

Klikk + Ny i handlingslisten og velg Hugging Ansiktsinnhøst API.

Fyll ut skjemaet for å koble til ditt Hugging Face:

Navn: Navnet som skal vises i ILLA

Token: Få deg i dine Hugging Face profilinnstillinger

Bekreft modellinformasjonen i Hugging Face før du konfigurerer handlingene:

Velg en modell i Hugging Face Model Page

La oss bruke deepset/roberta-base-squad2 som eksempel. Skriv inn detaljsiden > klikk deploy > Click Inference API

Parameterne etter «inputs» er hva du skal fylle inn i ILLA.

I ILLA-byggeren skal vi fylle ut Model ID og Parameter. Ved å ta ovennevnte modell som et eksempel, er ‘inputs” et nøkkelverdipar, så vi kan fylle inn med nøkkelverdi eller JSON.

Og vi støtter også tekstinngangen og binært inndata som kan møte alle Hugging Face Inference API tilkoblinger.

​

Trinn 3: Koble handlinger til komponenter

For å sende brukerens front-end inndata til API, kan du bruke {{ for å hente data innskrevet i komponenten. For eksempel er input2 komponenten for å legge til spørsmålet og input1 er komponenten for å legge inn kontekst, vi kan angi ‘spørsmål’ og ‘kontekst’ i nøkkel, og fylle ’{{ input.value }}’ i verdi:

{
"spørsmål": {{input2.value}},
"kontekst": {{input1.value}}
}

Før det vises data fra handlingen i frontendens komponent bør vi bekrefte hvilket felt utdata av ulike modeller som er plassert i. Fortsatt å ta dypset/roberta-base-squad2 som et eksempel, er resultatene som følger:

Så vi kan få svaret med {{ textQuestion.data[0].answer }}(textQuestion er navnet på handlingen).

​

Demonstrasjon