TGTGInsighttelegram intelligenceLIVE / telegram public index
← Python Заметки

TGINSIGHT SIMILAR POSTS

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

Резултати

Пронајдени 1 слични објави

Пребарај: #tinyml

当前筛选 #tinyml清除筛选
GitHub Trends

@githubtrending · Post #15239 · 21.10.2025 г., 11:30

#python#artificial_intelligence#cloud_ml#computer_systems#courseware#deep_learning#edge_machine_learning#embedded_ml#machine_learning#machine_learning_systems#mobile_ml#textbook#tinyml You can learn how to build real-world AI systems from start to finish with an open-source textbook originally from Harvard University. It teaches you not just how to train AI models but how to design scalable systems, manage data pipelines, deploy models in production, monitor them continuously, and optimize for devices like phones or IoT gadgets. This helps you become an engineer who can create efficient, reliable, and sustainable AI systems that work well in practice. The book offers hands-on labs, community support, and free online access, making it easier to gain practical skills in machine learning systems engineering. https://github.com/harvard-edge/cs249r_book