上周，Elixir 社区向大家宣布，Elixir 语言社区新增从 GPT2 到 Stable Diffusion 的一系列神经网络模型。这些模型得以实现归功于刚刚发布的 Bumblebee 库。Bumblebee 库是使用纯 Elixir 语言实现的 Hugging Face Transformers 库。

• 查看 Elixir 社区的发布文章:
  https://news.livebook.dev/announcing-bumblebee-gpt2-stable-diffusion-and-more-in-elixir-3Op73O

为了帮助大家使用开始这些模型，Livebook—— 用于 Elixir 语言的计算 notebook 平台团队创建了「智能单元」集合，让开发者可以仅用三次点击即搭建各种神经网络模型任务。

由于 Elixir 运行在支持并发和分布式的 Erlang 虚拟机上，开发者可以将这些模型嵌入 Phoenix Web 应用，作为他们现有 Phoenix Web 应用的一部分，集成在使用 Broadway 的数据处理管道中，将模型和 Nerves 嵌入式系统 一起部署，而无需依赖第三方软件。在所有场景中，Bumblebee 模型都会编译到 CPU 和 GPU 中。

背景

将机器学习模型引入 Elixir 的努力始于大约 2 年前的 Numerical Elixir (Nx) 项目计划。Nx 项目实现 Elixir 多维张量和「数值定义」，作为可编译到 CPU/GPU 的 Elixir 子集。Nx 项目没有重造轮子，而是使用 Google XLA 绑定 (EXLA) 和 Libtorch (Torchx) 进行 CPU/GPU 编译。

Nx 项目的倡议还催生了其他几个项目。Axon 项目从其他项目，如 Flax 和 PyTorch Ignite 项目中获得启发，为 Elixir 引进了可进行功能组合的神经网络。Explorer 项目借鉴了 dplyr 和 Rust's Polars，为 Elixir 社区引进了富有表现力和高性能的数据框 (DataFrame)。

Bumblebee 和 Tokenizers 是我们最新发布的库函数。我们感谢 Hugging Face 对机器学习领域跨社区和跨工具协作的支持，以及 Hugging Face 在加速 Elixir 生态建设中起的关键作用。

• Bumblebee:
  https://github.com/elixir-nx/bumblebee

• Tokenizers:
  https://github.com/elixir-nx/tokenizers

下一步，我们计划专注于使用 Elixir 进行神经网络训练和迁移学习，让开发者可以根据业务和应用的需求，增强和专注于预训练模型。我们同时也希望发布更多有关传统机器学习算法的进展。

上手实践

如果你想尝试使用 Bumblebee 库，你可以:

• 下载 Livebook v0.8，从 Notebook 中的 "+ Smart" 单元菜单自动生成 "Neural Networks Tasks"，我们目前正致力于在其他平台和空间上运行 Livebook (敬请期待！😉)

• 我们同时也提供了 Bumblebee 模型在 Phoenix (+ LiveView) apps 中的应用示例：单文件 Phoenix 应用程序。这些示例为将它们集成到您的生产应用程序中提供了必要的构建模块

• 想获取更多的实践方法，详阅 Notebooks:
  https://github.com/elixir-nx/bumblebee/tree/main/notebooks

如果你想帮助我们构建 Elixir 机器学习生态系统，欢迎尝试使用以上的项目，并提供一些建议。这里有许多有趣的领域，从编译开发到模型构建。我们非常欢迎你可以参与进来，一起为 Bumblebee 带来更多的模型和模型架构。Elixir 社区的未来发展方向是并发式、分布式和趣味性的。

客座文章，原作者为 Elixir 编程语言创始人: José Valim

英文原文发表在 Hugging Face 官方博客: 
https://hf.co/blog/elixir-bumblebee

译者: Slinae Lin (林珊)

加入我们成为翻译志愿者:
https://bit.ly/3vioxWa