Најди сличен содржај

Изворен канал @pythonotes · Post #242 · 7 мај

Теперь запакуем строку. В этом случае следует передавать тип данных bytes. >>> struct.pack('=s', b'a') b'a' Для записи слова следует указывать количество символов. >>> struct.pack('=5s', b'hello') b'hello' Кстати, запакованный вид соответствует исходному тексту. Всё верно, символ есть в таблице ASCII, то есть его код попадает в диапазон 0-127, он может быть записан одним байтом и имеет визуальное представление. А вот что будет если добавить символ вне ASCII >>> struct.pack(f'=s', b'ё') SyntaxError: bytes can only contain ASCII literal characters. Ошибка возникла еще на этапе создания объекта bytes, который не может содержать такой символ. Поэтому надо кодировать эти байты из строки. >>> enc = 'ёжик'.encode('utf-8') >>> struct.pack(f'={len(enc)}s', enc) b'\xd1\x91\xd0\xb6\xd0\xb8\xd0\xba' Заметьте, длина такой строки в байтах отличается от исходной длины, так как символы вне ASCII записываются двумя байтами и более. Поэтому здесь формат создаём на лету, используя получившуюся длину как каунтер токена. #libs#basic

Hashtags

#libs #basic

Резултати

Пронајдени 2 слични објави

Пребарај: #emnlp

当前筛选 #emnlp清除筛选

Семён: Нейросети в каждый дом

@semasci · Post #1247 · 21.08.2025 г., 07:28

Најди слично Погледај

🎉 Нашу статью приняли на EMNLP 2025 в Main Track. 💪 Выводим распознавание жестовых языков на новый качественный уровень. В статье достигаем state-of-the-art🌿 на жестовых языках разных стран, включая в первую очередь русский жестовый язык (РЖЯ). Показываем, что качественный претрейн и предобработка — залог успеха. Спасибо авторам: @your_petros@ilyaovodov@nagadit@hukenovs@karinakvanchiani 📝Жестовый язык: похожее в непохожем и наоборот 📖Logos as a Well-Tempered Pre-train for Sign Language Recognition До встречи на конференции! #research#rsl#emnlp

Hashtags

#research #rsl #emnlp

Семён: Нейросети в каждый дом

@semasci · Post #1316 · 09.11.2025 г., 07:33

Најди слично Погледај

BORSch покорил наши сердца Сегодня русскоязычное сообщество на EMNLP обсуждает работу BORSch, в которой авторы исследуют особенности знания мультимодальных моделей кухни постсоветского пространства. С этой целью они собрали мультимодальный датасет BORSch, включающий 1147 русскоязычных и 823 украиноязычных блюда, относящихся к странам постсоветского региона. Например: Откуда блюдо кывырма? + фото кывырмы Gold answer: Gagauzia (🇲🇩 Moldova) На примере BORSch авторы показывают, что даже передовые модели испытывают трудности при определении происхождения блюд из постсоветских стран — как в текстовой, так и в мультимодальной задаче Question Answering (QA): вместо правильного ответа они чаще отдают предпочтение стране, на языке которой был написан промпт. Вывод (ИМХО): когда используете LLM для личных целей, не забывайте включать функцию Search (искать в сети). Не мучайте моделей кывырмой и эчпочмаками, Гугл — наше всё. Хотя, подозреваю, что с происхождением блюд на разных языках тоже может возникать диссонанс. А работа и правда стоящая, особенно здорово, что с акцентом на постсовесткие языки. @mashkka_ds #llm#emnlp#новостисполей#трудовыебудни

Hashtags

#llm #emnlp #новостисполей #трудовыебудни