TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #90 · 24.10

Одинаковый пост в одно и то же время в VK, Instagram, Telegram. Telegram: лайков там нет, 8 комментариев Instagram: 23 лайка, 4 комментария VK: 42 лайка, 32 комментария Можно подумать, что раз у меня ВКонтакте почти 6000 подписчиков, то и считать нужно относительно. Но на самом деле нет: и в Телеграме и в Инстаграме у меня примерно та же активная аудитория из ВК: ближний круг общения, онлайн-знакомые, друзья друзей и редкие немногочисленные люди из рекомендаций. Что это значит? Лично я пока готов сделать один вывод: в Инстаграме нет моей аудитории, и там не принято публиковать и обсуждать то, о чем люблю писать и говорить я. В целом отклик от Инстаграма очень вялый и довольно скучный, как для меня-автора, так и для меня-подписчика. В Телеграме все хорошо с реакцией уже существующей аудитории, но с ростом беда, об этом уже неоднократно упоминал. У ВК очень большой запас прочности: его планомерно убивают владельцы и покидают пользователи, но до сих пор есть жизнь не меньше, чем в Инсте и Телеге. #web

Hashtags

Резултати

Намерени 50 подобни публикации

Търсене: #dl

当前筛选 #dl清除筛选
Repositorio data science

@repo_science · Post #4131 · 18.05.2024 г., 21:06

​​#DL 📱 Zeus New Pytorch Ecosystem Tool Zeus is an open source toolkit for measuring and optimizing power consumption of deep learning workloads. 🖥Github ----- Main channel: @repo_science Coupons: @freecoupons_reposcience -----

Hashtags

Am Neumarkt 😱

@amneumarkt · Post #691 · 05.10.2025 г., 07:41

#dl Park, Chanwook, Sourav Saha, Jiachen Guo, Hantao Zhang, Xiaoyu Xie, Miguel A. Bessa, Dong Qian, et al. 2025. “Unifying Machine Learning and Interpolation Theory via Interpolating Neural Networks.” Nature Communications 16 (1): 1–12. https://www.nature.com/articles/s41467-025-63790-8

Hashtags

Am Neumarkt 😱

@amneumarkt · Post #506 · 13.11.2023 г., 08:30

#dl Google & USC benchmarked a prompt based forecasting method, and the results are amazing. Cao D, Jia F, Arik SO, Pfister T, Zheng Y, Ye W, et al. TEMPO: Prompt-based Generative Pre-trained Transformer for time series forecasting. arXiv [cs.LG]. 2023. Available: http://arxiv.org/abs/2310.04948

Hashtags

ПредишнаСтр. 1 от 5Следваща