Најди сличен содржај

Изворен канал @pythonotes · Post #269 · 7 јул.

Возможно, стоит пояснить разницу между синхронизацией из thread/process-safe и синхронизацией с помощью Lock🤔 Наша задача — заставить разные процессы и потоки обращаться к базе данных (или любым другим ресурсам) последовательно. Чтобы не случилось так называемого race condition, то есть состояние гонки. Это когда разные потоки или процессы пытаются одновременно что-то сделать с одним и тем же ресурсом. В этом случае нам нужна какая-то логика ограничения. Пока один процесс не завершил своё действие, другие не могут получить доступ к ресурсу. Так вот, thread-safe и process-safe означает что отдельно взятые операции записи в БД гарантированно будут последовательны. Запросы из разных процессов или потоков выстроятся в очередь и не будут мешать друг другу. Лучше всего когда этот блок реализован на уровне БД в виде атомарных операций или ещё как-то. Но зачем нам тогда еще дополнительный Lock? Этот способ синхронизации используется когда процесс никак не укладывается в одно действие и должен сделать множество операций прежде чем дать доступ следующему. В этом случае процесс ставит некий глобальный Lock на ресурс и никто другой, даже получив законное право на доступ, не может ничего сделать. Все ждут пока этот Lock не будет снят. Это решается на уровне приложения и правильность реализации полностью в вашей ответственности. Например, если забыли разблокировать или сделали перекрёстный Lock (Deadlock как на картинке), то всё зависнет в бесконечном ожидании. #basic

Hashtags

#basic

Резултати

Пронајдени 2 слични објави

Пребарај: #aimodel

当前筛选 #aimodel清除筛选

Machinelearning

@ai_machinelearning_big_data · Post #9091 · 27.11.2025 г., 10:16

Најди слично Погледај

⚡️Qwen3-VL: выпустили технический отчёт по новой линейке VLM Опубликован tech report по Qwen3-VL - мультимодальным моделям, работающим с изображениями и текстом. Кратко : - Три модели собрали 1M+ загрузок за месяц. - Qwen3-VL-8B - более 2M скачиваний. - Линейка развивает идеи Qwen2.5-VL (2800+ цитирований). Что описано в отчёте: - Архитектура vision–language модели. - Процесс обучения: pretraining + post-training. - Источники данных и методы фильтрации. - Сравнения с другими VLM и ключевые метрики. 🔗 PDF: https://arxiv.org/pdf/2511.21631 🔗Видео: https://www.youtube.com/watch?v=clwFmuJX_wQ @ai_machinelearning_big_data #Qwen#Qwen3#QwenVL#Qwen3VL#LLM#AIModel

Hashtags

#qwen #qwen3 #qwenvl #qwen3vl #llm #aimodel

AI & Law

@ai_and_law · Post #108 · 10.09.2023 г., 08:33

Најди слично Погледај

🌟 AI Sunday Wonders: Meet TinyLlama, the 550MB AI Model Trained on 3 Trillion Tokens Hello, everyone! In the world of AI, smaller models are gaining immense popularity due to their efficiency on edge devices with limited memory and processing power. Enter TinyLlama, a groundbreaking project led by a research assistant at Singapore University of Technology and Design. Despite its tiny 550MB size, TinyLlama is pre-trained on a massive three trillion tokens. This compact model holds great promise for various applications, including real-time machine translation without the need for an internet connection. The project aims to complete the training of this 1.1 billion Llama model in just 90 days, utilizing 16 A100-40G GPUs. You can track its progress and loss metrics in real-time. TinyLlama shares the same architecture and tokenizer as Meta's Llama 2, making it compatible with open-source projects built on Llama. TinyLlama joins the league of smaller language models like Pythia-1b and MPT-1b, offering developers efficient options for creating cutting-edge AI applications. #TinyLlama#AIModel#AIResearch#MachineLearning#AIInnovation#TinyButMighty

Hashtags

#tinyllama #aimodel #airesearch #machinelearning #aiinnovation #tinybutmighty