Hub documentation
Data Designer
Single Sign-On (SSO) Log Audit Wilayah Penyimpanan Data Studio untuk dataset privat Grup Sumber Daya (Kendali Akses) Opsi Komputasi Lanjutan Keamanan Lanjutan Manajemen Token Akun Layanan Analitik Penerbit Koleksi Grup Gating Keamanan Jaringan Analitik Unduhan Batas Laju Artikel Blog
PRO Plan Repositori Memulai dengan Repositori Pengaturan Repository Batas Penyimpanan Storage Backend (Xet) Cache Lokal Pull Requests & Discussions Notifikasi Koleksi Webhooks GitHub Actions Notebooks Langkah Selanjutnya Lisensi
Model Model Hub Kartu Model Hasil Evaluasi Data Papan Peringkat Model Bergerbang Mengunggah Model Mengunduh Model Perpustakaan Terintegrasi Widget Model Inferensi Model Statistik Unduhan Model Daftar Periksa Rilis Model Perangkat Keras Aplikasi Lokal Pertanyaan yang Sering Diajukan Topik Lanjutan
Dataset Ikhtisar Dataset Kartu Dataset Dataset Bergerbang Mengunggah Dataset Mengunggah Dataset (untuk LLM) Mengunduh Dataset Streaming Dataset Perpustakaan Terintegrasi
Spaces Argilla Daft Dask Dataset Data Designer Distilabel DuckDB Atlas Embedding fenic FiftyOne Lance Pandas Polars Spark WebDataset
Data Studio Jejak Agen Statistik Unduhan Dataset Ikhtisar Spaces Peningkatan GPU Spaces Spaces ZeroGPU Spaces Dev Mode Penggunaan Disk & Penyimpanan Spaces Spaces Domain Kustom Spaces sebagai server MCP Spaces sebagai Alat Agen Spaces sebagai Endpoint API Gradio Spaces Spaces Streamlit Static HTML Spaces Docker Spaces Embed Space Anda Jalankan Spaces dengan Docker Referensi Konfigurasi Spaces Tombol Masuk dengan HF Spaces Unggulan Riwayat Perubahan Spaces Topik Lanjutan
Storage Buckets new Gambar Container new Tugas Ikhtisar Tugas Mulai Cepat Harga dan Penagihan Kelola Tugas Konfigurasi Menggunakan gambar Docker Menyajikan Model Melatih Model Contoh & Tutorial Memproses Dataset Besar Jadwalkan Tugas Otomasi Webhook Referensi
Agen Ikhtisar Agen Hugging Face CLI untuk AI Agents Hugging Face MCP Server Hugging Face Agent Skills Membangun agen dengan HF SDK Agen Lokal dengan llama.cpp Perpustakaan Agen Format Jejak Sesi
Lainnya Data Designer
Data Designer adalah kerangka kerja NVIDIA NeMo untuk menghasilkan dataset sintetis berkualitas tinggi menggunakan LLM. Kerangka kerja ini memungkinkan Anda membuat data yang beragam menggunakan sampler statistik, LLM, atau dataset benih yang sudah ada.
Prasyarat
pip install data-designer
Unduh dataset dari Hub sebagai benih
Gunakan HuggingFaceSeedSource untuk memuat dataset langsung dari Hub sebagai data benih untuk generasi.
import data_designer.config as dd
from data_designer.interface import DataDesigner
data_designer = DataDesigner()
config_builder = dd.DataDesignerConfigBuilder()
# Load seed data from HuggingFace
seed_source = dd.HuggingFaceSeedSource(
path="datasets/gretelai/symptom_to_diagnosis/data/train.parquet",
token="hf_...", # Optional, for private datasets
)
config_builder.with_seed_dataset(seed_source)
# Reference seed columns in prompts
config_builder.add_column(
dd.LLMTextColumnConfig(
name="physician_notes",
model_alias="openai-gpt-5",
prompt="Write notes for a patient with {{ diagnosis }}. Symptoms: {{ patient_summary }}",
)
)
preview = data_designer.preview(config_builder, num_records=5)Push dataset yang dihasilkan ke Hub
Gunakan metode bawaan push_to_hub untuk mengunggah dataset yang dihasilkan ke Hub.
# Generate dataset
results = data_designer.create(config_builder, num_records=1000, dataset_name="my-dataset")
# Push to Hub
url = results.push_to_hub(
repo_id="username/my-synthetic-dataset",
description="Synthetic dataset generated with Data Designer.",
tags=["medical", "notes"],
private=False,
)Sumber daya
- Dokumentasi Data Designer
- Repositori GitHub
- Panduan Dataset Seed
- Panduan menggunakan Data Designer dengan Inference Providers