如何将 🤗 ViT 部署到 Vertex AI
Hugging Face 讲解如何把此前已在本地和 Kubernetes 部署过的 ViT B/16 TensorFlow 模型部署到 Google Cloud 的 Vertex AI 平台，用更少的代码获得与 Kubernetes 相当的扩展性。
Hugging Face BlogAI 评分4242
Hugging Face BlogAI 评分4242 如何用 Kubernetes 和 TF Serving 部署 🤗 ViT
这是一篇教程，讲解如何将上一篇文章中用 TensorFlow Serving 本地部署的 Vision Transformer (ViT) 模型，通过 Docker 容器化和 Kubernetes 集群扩展为可服务大量用户的部署。
Hugging Face BlogAI 评分5353 如何用 TensorFlow Serving 部署 Hugging Face Transformers 的视觉模型
Hugging Face 团队发布教程，讲解如何用 TensorFlow Serving 在本地部署 Transformers 中的 TensorFlow 视觉模型，示例为 google/vit-base-patch16-224 图像分类模型。
Hugging Face BlogAI 评分3434 机器学习专家访谈：Ethical AI 先驱 Margaret Mitchell
Hugging Face 播客「Machine Learning Experts」采访了曾创立并联合领导 Google Ethical AI 团队的 Margaret Mitchell，她已发表超过 50 篇论文。
Hugging Face BlogAI 评分4343 BERT 入门：详解这一 NLP SOTA 模型
Google AI Language 于 2018 年推出的 BERT（Bidirectional Encoder Representations from Transformers）是一种 NLP 机器学习模型，可解决情感分析、命名实体识别等 11 种以上常见语言任务。
Hugging Face BlogAI 评分4545 用 🤗 Transformers 微调 ViT 进行图像分类
这是一篇 Hugging Face 教程，讲解如何用 🤗 datasets 加载图像分类数据集（示例为包含健康与病态豆叶的 beans 数据集，共 3 个类别），再用 🤗 transformers 微调预训练的 Vision Transformer（ViT）模型。
Hugging Face BlogAI 评分4747 Perceiver IO：可扩展的全注意力模型，可处理任意模态
Hugging Face 将 Perceiver IO 加入 Transformers 库，这是首个能处理文本、图像、音频、视频、点云等多种模态及其组合的 Transformer 神经网络。该模型在 256 或 512 个 latent 变量上执行自注意力，使计算量与输入大小呈线性关系而非平方依赖。官方提供了预测光流和图像分类的 Spaces 示例及多个 notebook。
Hugging Face BlogAI 评分5555 Hugging Face 用 10 亿句对训练句子嵌入模型的完整复盘
Hugging Face 社区周项目用 7 个 TPU v3-8、基于 JAX/Flax，以最多 10 亿句对训练出 20 个 Sentence Transformers 模型（含 Mini-LM、RoBERTa、DistilBERT、MPNet），在多个通用句子相似度评测上达到 SOTA，并发布 8 个专用数据集。
Hugging Face BlogAI 评分5353 Hugging Face Transformers 如何用 PyTorch / XLA 在 Cloud TPU 上训练
Hugging Face 与 Facebook PyTorch、Google TPU 团队合作，为 PyTorch / XLA 在 Cloud TPU 上的训练提供一等支持，Trainer 接口保持不变。
OpenAI NewsAI 评分4949 OpenAI 与 Google 研究者合作推出 Activation Atlases 可视化技术
OpenAI 与 Google 研究者合作创建了 Activation Atlases，一种可视化神经元之间交互所能表示内容的新技术。随着 AI 系统被部署到越来越敏感的场景，更好地理解其内部决策过程有助于发现弱点并调查故障。
OpenAI NewsAI 评分4343 OpenAI 联合发布论文《Concrete Problems in AI Safety》，探讨 AI 安全具体问题
OpenAI 与 Berkeley、Stanford 研究者共同署名，参与 Google Brain 研究人员主导的论文《Concrete Problems in AI Safety》。论文探讨了确保现代机器学习系统按预期运行的多个研究问题。