Candle Aprendizaje Automático Minimalista en Rust
Candle AA Minimalista en Rust
Guía para Construir Tu Propio Modelo de Aprendizaje Automático con Rust
La compañía de inteligencia artificial (IA) Hugging Face ha introducido recientemente Candle, un nuevo marco de trabajo minimalista de aprendizaje automático (ML) diseñado para el lenguaje de programación Rust. Este innovador marco de trabajo ya ha ganado una atención significativa, acumulando 7.8 mil estrellas y 283 bifurcaciones en GitHub.
Hugging Face está comprometido a expandir su ecosistema para que los desarrolladores puedan ampliar el alcance de sus 300,000 modelos de aprendizaje automático de código abierto. Según Jeff Boudier, jefe de producto y crecimiento de la startup, “La idea principal es que estamos desarrollando nuestro ecosistema para los desarrolladores y vemos mucho interés en hacerlo”.
Esto ocurre después de una recaudación de fondos de $235 millones que incluyó el apoyo de gigantes de la industria como Google, Amazon, Nvidia, Salesforce, AMD, Intel, IBM y Qualcomm.
Candle: El Marco de Trabajo de ML en Rust
La mayoría de los marcos de trabajo de ML se escriben tradicionalmente en Python y dependen de bibliotecas como PyTorch para su soporte. Estos marcos de trabajo suelen ser bastante grandes, lo que lleva a una creación lenta de instancias en clústeres, como se señala en las preguntas frecuentes de Candle.
- Perfilando el código de Python utilizando timeit y cProfile
- Un Enfoque Integral para Mejorar la Seguridad del IoT con Inteligencia Artificial
- Descifrando los desafíos empresariales El arte de crear soluciones analíticas
Candle se destaca por admitir inferencia sin servidor, un método para ejecutar modelos de ML sin gestionar la infraestructura. Esto se logra al permitir la implementación de archivos binarios ligeros. Los archivos binarios son archivos ejecutables que contienen todos los recursos necesarios para que una aplicación se ejecute en un entorno específico.
Además, Candle permite a los desarrolladores eliminar Python de las cargas de trabajo de los productos, abordando las preocupaciones sobre el rendimiento de Python y el Bloqueo Global del Intérprete (GIL). El GIL, aunque beneficioso, puede dificultar que CPython logre un rendimiento multinúcleo completo.
Empezando con Candle
Para aquellos interesados en usar Candle para sus proyectos de aprendizaje automático basados en Rust, aquí hay un ejemplo de cómo construir un modelo de regresión lineal utilizando un conjunto de datos de código abierto:
extern crate...
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Entendiendo Flash-Atención y Flash-Atención-2 El camino para ampliar la longitud del contexto de los modelos de lenguaje
- 9 Tipos Comunes de Ataques en Sistemas de Inteligencia Artificial
- Generación automática de música utilizando Aprendizaje Profundo
- SafeCoder vs. Asistentes de Código de código cerrado
- Trabajando con Big Data Herramientas y Técnicas
- Investigadores de Sony proponen BigVSAN Revolucionando la calidad de audio con el uso de Slicing Adversarial Networks en vocoders basados en GAN.
- Conoce ResFields Un enfoque novedoso de IA para superar las limitaciones de los campos neurales espaciotemporales en la modelización efectiva de señales temporales largas y complejas.