Как работает функция reload()?
Эта функция нужна для того, чтобы перезагрузить изменившийся код из py-файла без рестарта интерпретатора.
Дело в том, что любой импортированный модуль при повторном импорте не будет перечитывать файл. Функция импорта вернёт уже загруженный в память объект модуля. Чтобы обновить код, нужно либо перезапустить всю программу, либо использовать функцию reload()
from importlib import reload
reload(my_module)
🔸 Функция reload() принимает в качестве аргумента только объект модуля или пакета. Она не может перезагрузить класс или функцию. Только весь файл целиком!
🔸 Перезагрузка пакета перезагрузит только его файл __init__.py, если он есть. Но не вложенные модули.
🔸Она не может перезагрузить ранее не импортированный модуль.
🔸При вызове функция reload() перечитывает и перекомпилирует код в файле, создавая новые объекты. После создания новых объектов перезаписывается ранее созданный неймспейс этого модуля.
Это значит, что если где-то этот модуль импортирован через import и обращение к атрибутам происходит через неймспейс (имя) модуля, то такие атрибуты обновятся.
Если какие-либо объекты из этого модуля импортированы через from то они будут ссылаться на старые объекты.
Напишем простой модуль
# mymodule.py
x = 1
Теперь импортируем модуль и отдельно переменную х из модуля
>>> import mymodule
>>> from mymodule import x
>>> print(mymodule.x)
1
>>> print(x)
1
Не перезапуская интерпретатор вносим изменения в модуль
# mymodule.py
x = 2
Делаем перезагрузку модуля и проверяем х ещё раз
>>> reload(mymodule)
>>> print(mymodule.x)
2
>>> print(x)
1
То же самое будет если присвоить любой объект переменной (даже словарь или список)
Повторный импорт обновляет значение
>>> from mymodule import x
>>> print(x)
2
🔸Созданные инстансы классов не обновятся после перезагрузки модуля. Их придётся пересоздать.
#tricks#basic
Обновление моделей LlaMa в GPTunneL🦙
⚡️ Мы добавили новую LlaMa 3.1 405b с 405 миллиардами параметров — на сегодняшний день это самая мощная модель ИИ с открытым исходным кодом.
По утверждениям разработчиков, LlaMa 3.1 превосходит такие модели, как GPT-4o и Claude 3.5 Sonnet от Anthropic в различных областях, включая общие знания, кодирование и математику.
〰️ Кроме того, вывели из альфа-версии LlaMa 3.1 70b и LlaMa 3.13.8b, содержащие 70 и 8 миллиардов параметров соответственно. Эти модели стали еще стабильнее, что позволяет вам получать более качественные результаты.
➡️ Переходи в GPTunneL и тестируй модели LlaMa 3.1
🪅 Если захочешь сравнить новинку с другими моделями, загляни в нашу Арену.
#update#llama3
LlaMa 3 — первая open-source LLM-модель в GPTunneL🪅
Мы запустили новейшую модель в альфа-режиме — LlaMa 3 70b и LlaMa 3 8b (70 и 8 млрд параметров соответственно)!
В Meta утверждают, что Llama 3:
➡️ обладает высокой скоростью обучения и эффективно работает с большими объемами данных;
➡️ превосходит конкурентов в точности генерации текста и производительности;
➡️ отлично справляется с программированием.
👍 Протестируй LlaMa 3 в GPTunneL
☝️ LlaMa 3 рекомендована к использованию на английском языке. При работе на русском возможны небольшие галлюцинации.
#update#llama3
#go#gemma3#go#gpt_oss#granite4#llama#llama3#llm#on_device_ai#phi3#qwen3#qwen3vl#sdk#stable_diffusion#vlm
NexaSDK runs AI models locally on CPUs, GPUs, and NPUs with a single command, supports GGUF/MLX/.nexa formats, and offers NPU-first Android and macOS support for fast, multimodal (text, image, audio) inference, plus an OpenAI‑compatible API for easy integration. This gives you low-latency, private on-device AI across laptops, phones, and embedded systems, reduces cloud costs and data exposure, and lets you deploy and test new models immediately on target hardware for faster development and better user experience.
https://github.com/NexaAI/nexa-sdk
#jupyter_notebook#chatglm#chatglm3#gemma_2b_it#glm_4#internlm2#llama3#llm#lora#minicpm#q_wen#qwen#qwen1_5#qwen2
This guide helps beginners set up and use open-source large language models (LLMs) on Linux or cloud platforms like AutoDL, with step-by-step instructions for environment setup, model deployment, and fine-tuning for models such as LLaMA, ChatGLM, and InternLM[2][4][5]. It covers everything from basic installation to advanced techniques like LoRA and distributed fine-tuning, and supports integration with tools like LangChain and online demo deployment. The main benefit is making powerful AI models accessible and easy to use for students, researchers, and anyone interested in experimenting with or customizing LLMs for their own projects[2][4][5].
https://github.com/datawhalechina/self-llm