TGINSIGHT SIMILAR POSTS
Изворен канал @pythonotes · Post #32 · 7 фев.
Скорее всего уже слышали, что складывать строки через + это плохая практика. Падение производительности, и всё такое. Без лишних слов, давайте измерять: from timeit import timeit def t1(): # складываем 10 строк через + из переменной t = 'text' for _ in range(1000): s = t + t + t + t + t + t + t + t + t def t2(): # склеиваем список строк через метод join arr = ['text'] * 10 for _ in range(1000): s = ''.join(arr) def t3(): # складываем через + но не из переменной а непосредственно инлайн объекты for _ in range(1000): s = 'text' + 'text' + 'text' + ... # всего 10 раз Теперь каждую строку склейки запустим по 10М раз >>> timeit(t1, number=10000) 0.21951690399964718 >>> timeit(t2, number=10000) 1.4978306379998685 >>> timeit(t3, number=10000) 0.2213820789993406 Хм, а нам говорили что через "+" это плохо и медленно ))) 😁 Тут стоит учитывать, что речь идёт о склейке множества длинных строк. Давайте изменим условия: def t4(): t = 'text'*100 for _ in range(1000): s = t + t + t + t + t + t + t + t + t def t5(): arr = ['text'*100] * 10 for _ in range(1000): s = ''.join(arr) def t6(): for _ in range(1000): s = 'text'*100 + 'text'*100 + ... # всего 10 раз >>> timeit(t4, number=10000) 12.795130728000004 >>> timeit(t5, number=10000) 2.642637542999182 >>> timeit(t6, number=10000) 0.2184546610005782 Вот, уже другой разговор, сразу видна разница, в среднем в 6 раз. Но погодите, почему последний тест t6() по скорости такой же как и t3()? Ведь строки теперь в 100 раз длиннее! Это вопросы оптимизации кода, какие простые изменения ускоряют или замедляют выполнение программы. Мы столкнулись с примером обхода обращения к переменной. Например, именно так работает директива #define в С++, во время компиляции подставляя значение переменной вместо ссылки на неё. В Python это тоже работает, но часто ли вы сможете встретить такой способ работы со строками? К сожалению, способ почти только теоретический. В целом, тесты показали то, что мы хотели. Делаем выводы самостоятельно. Полный листинг 🌍 #tricks
Пребарај: #ast
@cryptoprofitcoach · Post #9012 · 05.05.2024 г., 17:13
#AST👈 https://www.binance.com/en/trade/AST_BTC Buying Range 220- 230 👆 Buy in parts 👈strictly follow for max profits Sell 🤑 240-250 🤑 250-270 🤑 270-290 🚀 290-320 & above Bullish above 200🔼 Dead Zone below 200🔽
Hashtags
@ai_machinelearning_big_data · Post #8296 · 18.08.2025 г., 11:11
🎙️NVIDIA выпустили Canary-1B v2 — открытую модель для распознавания и перевода речи, которая работает с 25 европейскими языками. Что она умеет: - 📝 Точное ASR (распознавание речи) и AST (перевод речи) между английским и 24 другими языками. - Автоматическая пунктуация, капитализация и точные таймстампы до слова. - Поддержка русского, французского, немецкого, испанского и многих других языков. Чем интересна - До 10× быстрее инференс, чем у моделей в 3 раза больше. - Уже показывает state-of-the-art точность среди открытых моделей на Hugging Face. - Лицензия CC-BY-4.0 — можно свободно использовать в проектах. Под капотом: - Архитектура: FastConformer-энкодер + Transformer-декодер (~978M параметров). - Форматы: .wav и .flac, моно 16 кГц. - Легко интегрируется через NVIDIA NeMo или прямо с Hugging Face. Где пригодится: 🟢 голосовые ассистенты 🟢 субтитры и перевод видео 🟢 чат-боты с речевым вводом 🟢 real-time анализ речи Всего ~978M параметров → легче, быстрее и дешевле в использовании, чем большие модели конкурентов. 🟠Попробовать можно здесь: https://huggingface.co/nvidia/canary-1b-v2 🟠SET: https://huggingface.co/datasets/nvidia/Granary 🟠PARAKEET: https://huggingface.co/nvidia/parakeet-tdt-0.6b-v3 @ai_machinelearning_big_data #AI#NVIDIA#SpeechRecognition#ASR#AST#Multilingual#MachineLearning#DeepLearning
@coinlegs · Post #9743 · 17.01.2024 г., 14:01
🐬DOLPHIN | AI PREDICTIONS 17.01.2024 14:00 GMT Expected 5% Profit/Loss in 24 Hours #BOND | 3.493 | PP: 1% | LP: 100% #CVX | 3.002 | PP: 0% | LP: 90% #POND | 0.01511 | PP: 0% | LP: 90% #KMD | 0.2581 | PP: 0% | LP: 91% #ETC | 26.36 | PP: 0% | LP: 92% #JOE | 0.5105 | PP: 0% | LP: 93% #PROS | 0.4579 | PP: 0% | LP: 93% #VGX | 0.1258 | PP: 0% | LP: 93% #ATA | 0.0949 | PP: 0% | LP: 94% #BETA | 0.07108 | PP: 0% | LP: 94% #DEGO | 2.261 | PP: 0% | LP: 94% #AST | 0.124 | PP: 0% | LP: 95% #AVAX | 35.97 | PP: 0% | LP: 95% #CELR | 0.01949 | PP: 0% | LP: 95% #WAXP | 0.0619 | PP: 0% | LP: 95% #AXS | 8.05 | PP: 0% | LP: 96% #BEL | 0.6378 | PP: 0% | LP: 96% #GTC | 1.231 | PP: 0% | LP: 96% #UMA | 2.004 | PP: 0% | LP: 96% #WBTC | 42686.15 | PP: 0% | LP: 96% #BTC | 42609.84 | PP: 0% | LP: 97% #GRT | 0.1666 | PP: 0% | LP: 97% #MATIC | 0.8322 | PP: 0% | LP: 97% #PEPE | 0.00000121 | PP: 0% | LP: 97% #UTK | 0.0731 | PP: 0% | LP: 97% #MOB | 0.354 | PP: 0% | LP: 98% #OCEAN | 0.4489 | PP: 0% | LP: 98% #AAVE | 101.35 | PP: 0% | LP: 99% #ATOM | 10.097 | PP: 0% | LP: 99% #BSW | 0.0941 | PP: 0% | LP: 99% #BTTC | 0.00000104 | PP: 0% | LP: 99% #DGB | 0.00839 | PP: 0% | LP: 99% #FLM | 0.084 | PP: 0% | LP: 99% #FOR | 0.02193 | PP: 0% | LP: 99% #LOOM | 0.09158 | PP: 0% | LP: 99% #LTO | 0.0814 | PP: 0% | LP: 99% #MBOX | 0.3093 | PP: 0% | LP: 99% #PUNDIX | 0.4558 | PP: 0% | LP: 99% #QTUM | 3.113 | PP: 0% | LP: 99% #RPL | 34.09 | PP: 0% | LP: 99% #SCRT | 0.4198 | PP: 0% | LP: 99% #STX | 1.5891 | PP: 0% | LP: 99% #ACA | 0.1001 | PP: 0% | LP: 100% #ADA | 0.5293 | PP: 0% | LP: 100% #ADX | 0.1875 | PP: 0% | LP: 100% #AKRO | 0.00532 | PP: 0% | LP: 100% #ALCX | 25.88 | PP: 0% | LP: 100% #ALPHA | 0.1075 | PP: 0% | LP: 100% #AMP | 0.003404 | PP: 0% | LP: 100% #ARDR | 0.0916 | PP: 0% | LP: 100% #BADGER | 3.471 | PP: 0% | LP: 100% ... ——————————————————————— Total Predictions: 367 PP > 50%: 2 LP > 50%: 163 PP > 60%: 0 LP > 60%: 157 PP > 70%: 0 LP > 70%: 147 PP > 80%: 0 LP > 80%: 140 PP > 90%: 0 LP > 90%: 130 ——————————————————————— PP: Profit Probability | LP: Loss Probability