transformers — Hugging Face Transformers est un cadre de définition de modèles pour l'apprentissage automatique couvrant le texte, la vision, l'audio et les tâches multimodales. Il fournit une API unifiée pour l'inférence et l'entraînement avec plus d'un million de points de contrôle pré-entraînés.

Hugging Face Transformers est un cadre de définition de modèles pour l'apprentissage automatique couvrant le texte, la vision, l'audio et les tâches multimodales. Il fournit une API unifiée pour l'inférence et l'entraînement avec plus d'un million de points de contrôle pré-entraînés.

À propos du projet

Transformers est un cadre de définition de modèles open-source conçu pour les tâches d'apprentissage automatique impliquant le texte, la vision par ordinateur, l'audio, la vidéo et les modèles multimodaux. Il sert de hub central dans l'écosystème de l'apprentissage automatique, assurant la compatibilité avec les principaux frameworks d'entraînement (tels que Axolotl, Unsloth, DeepSpeed, FSDP et PyTorch-Lightning), les moteurs d'inférence (y compris vLLM, SGLang et TGI), et les bibliothèques de modélisation adjacentes comme llama.cpp et mlx. ### Fonctionnalités clés - **API unifiée :** Offre une interface cohérente pour entraîner, évaluer et exécuter l'inférence sur des centaines d'architectures de modèles. - **API Pipeline :** Une abstraction de haut niveau permettant une inférence rapide sur plusieurs modalités, incluant la génération de texte, la reconnaissance automatique de la parole, la classification d'images et la réponse à des questions visuelles. - **Interopérabilité des frameworks :** Permet aux utilisateurs de déplacer facilement un même modèle entre PyTorch, JAX et TensorFlow 2.0. - **Intégration au Hugging Face Hub :** Fournit un accès direct à plus d'un million de points de contrôle de modèles pré-entraînés. - **Internes personnalisables :** Les architectures de modèles sont conçues avec des abstractions minimales, exposant les structures internes afin que les chercheurs et les développeurs puissent facilement personnaliser et itérer sur les fichiers de modèles indépendamment.