TGINSIGHT SIMILAR POSTS
Изворен канал @pythonotes · Post #400 · 8 дек.
Три способа выполнить множество задач с asyncio Функция для примера: async def do_it(n): await asyncio.sleep(random.uniform(0.5, 1)) return n 1. Последовательный вызов async def main(): for i in range(100): result = await do_it(i) Такой вызов имеет смысл только тогда, когда результат одной задачи требуется для вызова следующей. Если они независимы, то это антипаттерн, так как аналогичен простому синхронному вызову по очереди. 2. Упорядоченный результат async def main(): tasks = [do_it(i) for i in range(100)] results = await asyncio.gather(*tasks) Выполняет корутины конкурентно и возвращает результат в виде списка. Полезен когда требуется получить результаты в том же порядке в котором задачи отправлены. 3. Результат по мере готовности tasks = [asyncio.create_task(do_it(i)) for i in range(100)] for cor in asyncio.as_completed(tasks): result = await cor Так же выполняет корутины конкурентно, но не гарантирует порядок. Результат возвращается по мере готовности, каждый отдельно. Полезен когда нужно обработать любой ответ как можно скорее. #async
Hashtags
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