TGINSIGHT SIMILAR POSTS
Изворен канал @pythonotes · Post #309 · 2 фев.
Метод строки split() разделяет строку на несколько строк по указанному символу >>> "a_b_c".split('_') ['a', 'b', 'c'] Можно указать максимальное количество разделений >>> "a_b_c".split('_', 1) ['a', 'b_c'] Или резать с другой стороны с помощью rsplit() (right split) >>> "a_b_c".rsplit('_', 1) ['a_b', 'c'] А что будет если оставить аргументы пустыми? >>> "a_b_c".split() ['a_b_c'] Получаем список с одним элементом, потому что по умолчанию используется пробельный символ. >>> "a b c".split() ['a', 'b', 'c'] То есть это равнозначно такому вызову? >>> "a b c".split(" ") ['a', 'b', 'c'] Кажется да, но нет! Давайте попробуем добавить пробелов между буквами >>> "a b c".split(" ") ['a', '', '', 'b', '', '', 'c'] И вот картина уже не так предсказуема 😕 А вот что будет по умолчанию >>> "a b c".split() ['a', 'b', 'c'] Всё снова красиво! 🤩 По умолчанию в качестве разделителя используется любой пробельный символ, будь то табуляция или новая строка. Включая несколько таких символов идущих подряд. А также игнорируются пробельные символы по краям строки. >>> "a\t b\n c ".split() ['a', 'b', 'c'] Аналогичный способ можно собрать с помощью регулярного выражения. Но пробелы по краям строки придется обрабатывать дополнительно. >>> import re >>> re.split(r"\s+", ' a b c '.strip()) ['a', 'b', 'c'] Здесь тоже можно указать количество разделений >>> re.split(r"\s+", 'a b c', 1) ['a', 'b c'] А что если мы хотим написать красиво, то есть split() без аргументов, но при этом указать количество разделений? В этом случае первым аргументом передаём None >>> "a\n b c".split(None, 1) ['a', 'b c'] Данный метод не учитывает строки с пробелами, взятые в кавычки 'a "b c" '.split() ['a', '"b', 'c"'] Но для таких случаев есть другие способы. #tricks#basic
Пребарај: #dl
@repo_science · Post #4131 · 18.05.2024 г., 21:06
#DL 📱 Zeus New Pytorch Ecosystem Tool Zeus is an open source toolkit for measuring and optimizing power consumption of deep learning workloads. 🖥Github ----- Main channel: @repo_science Coupons: @freecoupons_reposcience -----
Hashtags
@amneumarkt · Post #706 · 21.11.2025 г., 07:53
#dl Introducing more symmetries in attention https://github.com/NVIDIA/torch-harmonics https://neurips.cc/virtual/2025/loc/san-diego/poster/117783
Hashtags
@amneumarkt · Post #691 · 05.10.2025 г., 07:41
#dl Park, Chanwook, Sourav Saha, Jiachen Guo, Hantao Zhang, Xiaoyu Xie, Miguel A. Bessa, Dong Qian, et al. 2025. “Unifying Machine Learning and Interpolation Theory via Interpolating Neural Networks.” Nature Communications 16 (1): 1–12. https://www.nature.com/articles/s41467-025-63790-8
Hashtags
@amneumarkt · Post #683 · 28.06.2025 г., 07:04
#dl A few cool ideas in this model. Introducing Gemma 3n: The developer guide - Google Developers Blog https://developers.googleblog.com/en/introducing-gemma-3n-developer-guide/
Hashtags
@amneumarkt · Post #681 · 14.06.2025 г., 08:43
#dl So tensorflow and jax are deprecated in the transformers package. https://github.com/huggingface/transformers/pull/38758
Hashtags
@amneumarkt · Post #662 · 21.02.2025 г., 07:42
#dl Sure, nobody uses it anyways.
Hashtags
@amneumarkt · Post #625 · 03.10.2024 г., 21:31
#dl PyTorch Native Architecture Optimization: torchao | PyTorch https://pytorch.org/blog/pytorch-native-architecture-optimization/
Hashtags
@amneumarkt · Post #624 · 03.10.2024 г., 18:07
#dl https://soumith.ch/blog/2024-10-02-training-10k-scale.md.html
Hashtags
@amneumarkt · Post #602 · 20.07.2024 г., 05:48
#dl There is this new lib called scale. One could compile CUDA code to use it on AMD GPU. https://docs.scale-lang.com/manual/how-to-use/ I don't know who is more pissed off, NVidia or AMD.
Hashtags
@amneumarkt · Post #556 · 16.03.2024 г., 09:09
#dl This repo is really nice. yuanchenyang/smalldiffusion: Simple and readable code for training and sampling from diffusion models https://github.com/yuanchenyang/smalldiffusion
Hashtags
@amneumarkt · Post #506 · 13.11.2023 г., 08:30
#dl Google & USC benchmarked a prompt based forecasting method, and the results are amazing. Cao D, Jia F, Arik SO, Pfister T, Zheng Y, Ye W, et al. TEMPO: Prompt-based Generative Pre-trained Transformer for time series forecasting. arXiv [cs.LG]. 2023. Available: http://arxiv.org/abs/2310.04948
Hashtags
@amneumarkt · Post #484 · 12.06.2023 г., 06:13
#dl https://twitter.com/armin_kekic/status/1667181047480479751?s=20
Hashtags