Мастерская 2/4
Несколько лет назад я делал систему хранения для инструмента на домашних станках. Параллельно смотрел, что предлагает рынок, и тогда же купил пермский набор ToolBoard. Так он и лежал до лучших времён.
Времена настали, у меня появилась мастерская, и я пустил набор в дело. Надо сказать, система очень хорошо продумана, чувствуются десятки тестов и подборов лучших форм. Конечно же, она во всем, кроме цены, превосходит мою домашнюю поделку. Основания с ячеистой сеткой под восьмигранные крепежи. Самих крепежей несколько видов, да и ставить их можно разными способами. Поэтому получается компактно и ровно вешать абсолютно всё: от тяжёлого перфоратора до тоненьких маленьких сверлышек.
Надо сказать, сообщество 3D-печатников не стояло на месте, и с тех пор появились готовые опенсорсные проекты печатных систем под ту же задачу. Тоже очень впечатляющие. Но до ToolBoard всё ещё далеко. Моё почтение авторам, насколько там всё круто и до мелочей рассчитано. Взять хотя бы тот факт, что при соединении элементов сетки головка самореза аккурат распирает крепёжный зажим так, чтобы зафиксировать его в пазу. А крючки сделаны волнистыми не просто так — между ними можно зажимать небольшие цилиндры, такие, как стержень маленькой отвёртки.
Чтобы разместить это дело, не повредив дизайн помещения, мне пришлось напечатать хитрые крепления для листа крашеной фанеры. Такие, чтобы они упирались в рейки, но прижимались винтами между ними в стену. И выдерживали десятки килограммов веса, конечно. Не могу придумать способ, как эту задачу решать без 3D-принтера. Из дерева вырезать? Комплекс станков для такой работы будет дороже принтера и займет больше места.
На доске минимально типовой инструмент для любого дома + чуть-чуть специфических вещей для электрики. Тут нет многого, но основное вроде всё учёл.
#diy#life#окр
#python#deep_learning#intel#machine_learning#neural_network#pytorch#quantization
Intel Extension for PyTorch boosts the speed of PyTorch on Intel hardware, including both CPUs and GPUs, by using special features like AVX-512, AMX, and XMX for faster calculations[5][2][4]. It supports many popular large language models (LLMs) such as Llama, Qwen, Phi, and DeepSeek, offering optimizations for different data types and easy GPU acceleration. This means you can run advanced AI models much faster and more efficiently on your Intel computer, with simple setup and support for both ready-made and custom models.
https://github.com/intel/intel-extension-for-pytorch
#python#comfyui#diffusion#flux#genai#mlsys#quantization
Nunchaku is a fast and efficient engine that runs 4-bit neural networks using a special method called SVDQuant, which compresses models to use less memory and speed up processing by 2 to 5 times compared to older methods. It supports advanced AI models for tasks like high-quality text-to-image generation and image editing, working best on modern NVIDIA GPUs. You can easily install and use it with ComfyUI, and it has active community support on Slack, Discord, and WeChat. This means you can generate or edit images quickly with less computing power, saving time and resources. It also offers tutorials and example workflows to help you get started smoothly.
https://github.com/nunchaku-tech/ComfyUI-nunchaku
#python#deep_learning#inference#openai#quantization#speech_recognition#speech_to_text#transformer#whisper
Faster-Whisper is a fast version of OpenAI's Whisper that transcribes audio up to 4x quicker with the same accuracy, using less memory on CPU or GPU—benchmarks show it beats original Whisper (e.g., 1m03s vs 2m23s for 13-min audio on GPU). Install via `pip install faster-whisper`, no FFmpeg needed, and use simple Python code like `WhisperModel("large-v3").transcribe("audio.mp3")` for segments with timestamps. You benefit by getting quick, efficient speech-to-text for real-time apps, saving time and resources on long files or batches.
https://github.com/SYSTRAN/faster-whisper