Мастерская 1/4
Наконец доделали ремонт на втором балконе. Это был не самый простой процесс, на который я убил свой майский отпуск, несмотря на то, что работы выполняла фирма. А для установки декоративной рейки пришлось смоделировать и напечатать для рабочих на 3D-принтере специальные шаблоны по разметке и позиционированию.
Дизайн придумали вместе с Юлей. Сейчас начал создавать в этом помещении свою мастерскую: хранение инструмента, деталей, место для пайки и других работ, зоны под 3D-принтеры и может другие небольшие станки.
Да, знаю, что вы подумали — такое красивое помещение и под мастерскую. И я даже согласен с этим. Но мастерская нужна, других мест под неё нет (если не считать абсурдные варианты типа "идти зимой в гараж каждый раз, когда нужно что-то припаять). Поэтому всё буду делать так, чтобы максимально не повредить оформление: всё будет навесное и демонтируемое.
Буду показывать, что получается, stay tuned.
#diy#life
#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
-----
#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
#dl
A few cool ideas in this model.
Introducing Gemma 3n: The developer guide - Google Developers Blog
https://developers.googleblog.com/en/introducing-gemma-3n-developer-guide/
#dl
There is this new lib called scale. One could compile CUDA code to use it on AMD GPU.
https://docs.scale-lang.com/manual/how-to-use/
I don't know who is more pissed off, NVidia or AMD.
#dl
This repo is really nice.
yuanchenyang/smalldiffusion: Simple and readable code for training and sampling from diffusion models
https://github.com/yuanchenyang/smalldiffusion
#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