“우리 문서에 질문” 검색 결과
공개 팩 628개에서 20건단어로 순위를 매김
문서
추론 엔드포인트 [[inference-endpoints]]
추론 엔드포인트 [[inference-endpoints]]Hugging Face가 관리하는 추론 엔드포인트는 우리가 모델을 쉽고 안전하게 배포할 수 있게 해주는 도구입니다. 이러한 추론 엔드포인트는 Hub에 있는 모델을 기반으로 설계되었습니다. 이 문서는 huggingface_hub와 추론 엔드포인트 통합에 관한 참조 페이지이며, 더욱 자세한 정보는 공식 문서를 통해 확인할 수 있습니다.huggingface/huggingface_hub저장소docs/source/ko/package_reference/inference_endpoints.md
문서
모델 카드 생성 및 공유[[create-and-share-model-cards]]
모델 카드 생성 및 공유[[create-and-share-model-cards]] › Hub에서 모델 카드 불러오기[[load-a-model-card-from-the-hub]]Hub에서 기존 카드를 불러오려면 [ModelCard.load] 기능을 사용하면 됩니다. 이 문서에서는 nateraw/vit-base-beans에서 카드를 불러오겠습니다.문서
문서 질의 응답(Document Question Answering) [[document_question_answering]]
문서 질의 응답(Document Question Answering) [[document_question_answering]] › 데이터 전처리 [[preprocess-the-data]] › 문서 이미지 전처리 [[preprocessing-document-images]]먼저, 프로세서의 image_processor를 사용해 모델에 대한 문서 이미지를 준비해 보겠습니다.문서
문서 질의 응답(Document Question Answering) [[document_question_answering]]
문서 질의 응답(Document Question Answering) [[document_question_answering]] › 데이터 전처리 [[preprocess-the-data]] › 문서 이미지 전처리 [[preprocessing-document-images]]먼저, 프로세서의 image_processor를 사용해 모델에 대한 문서 이미지를 준비해 보겠습니다.문서
🤗 Hub 클라이언트 라이브러리 [[hub-client-library]]
🤗 Hub 클라이언트 라이브러리 [[hub-client-library]] › 기여하기 [[contribute]]huggingface_hub에 대한 모든 기여를 환영하며, 소중히 생각합니다! 🤗 코드에서 기존의 이슈를 추가하거나 수정하는 것 외에도, 문서를 정확하고 최신으로 유지하도록 개선하거나, 이슈에 대한 질문에 답하거나, 라이브러리를 개선할 수 있다고 생각하는 새로운 기능을 요청하는 것도 커뮤니티에 도움이 됩니다. 새로운 이슈나 기능 요청을 제출하는…문서
BLIP-2[[blip-2]]
BLIP-2[[blip-2]] › 개요[[overview]]…언어 모델로부터 비전-언어 생성 학습을 부트스트래핑합니다. BLIP-2는 기존 방법들에 비해 훨씬 적은 학습 가능한 파라미터로 다양한 비전-언어 작업에서 최첨단 성능을 달성합니다. 예를 들어, 우리 모델은 제로샷 VQAv2에서 Flamingo80B보다 8.7% 높은 성능을 기록하며, 학습 가능한 파라미터 수는 54배 적습니다. 우리는 또한 자연어…문서
BLIP-2[[blip-2]]
BLIP-2[[blip-2]] › 개요[[overview]]…언어 모델로부터 비전-언어 생성 학습을 부트스트래핑합니다. BLIP-2는 기존 방법들에 비해 훨씬 적은 학습 가능한 파라미터로 다양한 비전-언어 작업에서 최첨단 성능을 달성합니다. 예를 들어, 우리 모델은 제로샷 VQAv2에서 Flamingo80B보다 8.7% 높은 성능을 기록하며, 학습 가능한 파라미터 수는 54배 적습니다. 우리는 또한 자연어…문서
커뮤니티 [[community]]
커뮤니티 [[community]] › 커뮤니티 노트북: [[community-notebooks]]|FUNSD(양식 이해 데이터 세트)로 LayoutLM 미세 조정하기 | 스캔한 문서에서 정보 추출을 위해 FUNSD 데이터 세트로 LayoutLMForTokenClassification을 미세 조정하는 방법 | Niels Rogge |…문서
커뮤니티 [[community]]
커뮤니티 [[community]] › 커뮤니티 노트북: [[community-notebooks]]|FUNSD(양식 이해 데이터 세트)로 LayoutLM 미세 조정하기 | 스캔한 문서에서 정보 추출을 위해 FUNSD 데이터 세트로 LayoutLMForTokenClassification을 미세 조정하는 방법 | Niels Rogge |…문서
Agentic RAG[[agentic-rag]]
Agentic RAG[[agentic-rag]] › Agentic RAG의 실제 적용 사례[[practical-applications-of-agentic-rag]]3. 법률 문서 검토: 법률 문서에서 관련 판례와 조항을 찾습니다.문서
Diffusers에 기여하는 방법 🧨 [[how-to-contribute-to-diffusers-]]
Diffusers에 기여하는 방법 🧨 [[how-to-contribute-to-diffusers-]] › 개요 [[overview]] › 5. 문서에 기여하기 [[5-contribute-to-the-documentation]]좋은 라이브러리는 항상 좋은 문서를 갖고 있습니다! 공식 문서는 라이브러리를 처음 사용하는 사용자들에게 첫 번째 접점 중 하나이며, 따라서 문서에 기여하는 것은 매우 가치 있는 기여입니다.문서
환경 변수[[environment-variables]]
환경 변수[[environment-variables]]이 문서에서는 huggingface_hub와 관련된 모든 환경 변수와 그 의미에 대해 안내합니다.문서
BERT[[BERT]]
BERT[[BERT]] › 개요[[Overview]]우리는 BERT(Bidirectional Encoder Representations from Transformers)라는 새로운 언어 표현 모델을 소개합니다. 최근의 다른 언어 표현 모델들과 달리, BERT는 모든 계층에서 양방향으로 양쪽 문맥을 조건으로 사용하여 비지도 학습된 텍스트에서 깊이 있는 양방향 표현을 사전 학습하도록 설계되었습니다. 그…문서
BERT[[BERT]]
BERT[[BERT]] › 개요[[Overview]]우리는 BERT(Bidirectional Encoder Representations from Transformers)라는 새로운 언어 표현 모델을 소개합니다. 최근의 다른 언어 표현 모델들과 달리, BERT는 모든 계층에서 양방향으로 양쪽 문맥을 조건으로 사용하여 비지도 학습된 텍스트에서 깊이 있는 양방향 표현을 사전 학습하도록 설계되었습니다. 그…문서
Discussions 및 Pull Requests를 이용하여 상호작용하기[[interacting-with-discussions-and-pull-requests]]
Discussions 및 Pull Requests를 이용하여 상호작용하기[[interacting-with-discussions-and-pull-requests]]Hub에서 Discussions 및 Pull Requests를 이용하여 상호 작용할 수 있는 방법에 대해 참조하고자 한다면 [HfApi] 문서 페이지를 확인하세요.문서
서버에서 추론 진행하기[[run-inference-on-servers]]
서버에서 추론 진행하기[[run-inference-on-servers]] › 시작하기[[getting-started]]우리는 기본 매개변수로 [InferenceClient]를 초기화했습니다. 수행하고자 하는 작업만 알면 됩니다. 기본적으로 클라이언트는 추론 API에 연결하고 작업을 완료할 모델을 선택합니다. 예제에서는 텍스트 프롬프트에서 이미지를 생성했습니다. 반환된 값은 파일로 저장할 수 있는 PIL.Image 객체입니다.문서
PaliGemma[[paligemma]]
PaliGemma[[paligemma]] › 사용 팁[[usage-tips]]- PaliGemma는 대화용으로 설계되지 않았으며, 특정 사용 사례에 대해 미세 조정할 때 가장 잘 작동합니다. PaliGemma를 미세 조정할 수 있는 몇 가지 하위 작업에는 이미지 캡셔닝, 시각적 질문 답변(VQA), 오브젝트 디텍션, 참조 표현 분할 및 문서 이해가 포함됩니다.문서
PaliGemma[[paligemma]]
PaliGemma[[paligemma]] › 사용 팁[[usage-tips]]- PaliGemma는 대화용으로 설계되지 않았으며, 특정 사용 사례에 대해 미세 조정할 때 가장 잘 작동합니다. PaliGemma를 미세 조정할 수 있는 몇 가지 하위 작업에는 이미지 캡셔닝, 시각적 질문 답변(VQA), 오브젝트 디텍션, 참조 표현 분할 및 문서 이해가 포함됩니다.문서
OpenAI GPT [[openai-gpt]]
OpenAI GPT [[openai-gpt]] › 개요 [[overview]]자연어 이해는 텍스트 함의, 질문 응답, 의미 유사성 평가, 문서 분류와 같은 다양한 작업을 포함합니다. 비록 대규모의 레이블이 없는 텍스트 말뭉치가 풍부하기는 하지만, 이러한 특정 작업에 대한 학습을 위한 레이블된 데이터는 부족하여 판별적으로 학습된 모델이 적절하게 성능을 발휘하기 어렵습니다. 우리는 다양한 레이블이 없는 텍스트 말뭉치에 대한 언어…문서
OpenAI GPT [[openai-gpt]]
OpenAI GPT [[openai-gpt]] › 개요 [[overview]]자연어 이해는 텍스트 함의, 질문 응답, 의미 유사성 평가, 문서 분류와 같은 다양한 작업을 포함합니다. 비록 대규모의 레이블이 없는 텍스트 말뭉치가 풍부하기는 하지만, 이러한 특정 작업에 대한 학습을 위한 레이블된 데이터는 부족하여 판별적으로 학습된 모델이 적절하게 성능을 발휘하기 어렵습니다. 우리는 다양한 레이블이 없는 텍스트 말뭉치에 대한 언어…