TGINSIGHT SIMILAR POSTS
Изворен канал @pythonotes · Post #401 · 15 дек.
Функция asyncio.wait() это еще один способ вызвать множество асинхронных задач. Она работает в нескольких режимах. 1. Самый простой - ждем завершения всех задач async def main(): tasks = [asyncio.create_task(do_it(i)) for i in range(10)] done, pending = await asyncio.wait( tasks, return_when=asyncio.ALL_COMPLETED ) for task in done: try: print(task.result()) except Exception as e: print(e) Очень похоже на gather, но работает не так. ▫️возвращает не результаты, а два сета с объектами Task у которых можно забрать результат через task.result() если они в списке done ▫️не гарантирует порядок результатов так как оба объекта это set ▫️не выбрасывает исключение когда оно появляется, а сохраняет его в Task. Исключение появится когда попробуете забрать резултьтат. 2. Ждем завершения первой задачи, даже если там ошибка. async def main(): tasks = [asyncio.create_task(do_it(i)) for i in range(3)] done, pending = await asyncio.wait( tasks, return_when=asyncio.FIRST_COMPLETED ) # в done может быть несколько задач! for task in done: try: print(task.result()) except Exception as e: print(f"Fail: {e}") # Оставшиеся задачи в pending, как правило, нужно отменить, иначе они будут продолжать работать for task in pending: task.cancel() В сете done будут таски которые успели завершится, причем как успешно так и нет. 3. До первой ошибки. Тоже самое, но с аргументом FIRST_EXCEPTION done, pending = await asyncio.wait( tasks, return_when=asyncio.FIRST_EXCEPTION ) Функция завершается как только первая задача упадет с ошибкой. Учтите, что в любом случае done вы можете обранужить несколько задач, как с ошибками так и успешные. ↗️ Полный листинг примеров здесь #async
Hashtags
Пребарај: #video2video
@phygitalcreative · Post #3157 · 29.06.2023 г., 13:26
Rerender a video теперь можно запустить в колабе. Работает пока не очень, можно ожидать что в официальном релизе будет лучше. Много красивых примеров на официальной страничке colab @тоже_моушн #text2video#video2video
Hashtags
@neuroport · Post #129 · 11.01.2025 г., 19:16
👄 LatentSync ● Синхронизация движения губ с аудио ● RU ● Portable by NerualDreming Ссылка на оригинальный GitHub:https://github.com/bytedance/LatentSync Репакер:#NerualDreming Дата обновления: 11 января 2025 Версия: 1.0 Категории:#lipsync, #AIvideo, #video2video Платформа:#Windows Язык: RU Место на диске: 17 ГБ Системные требования: NVIDIA GPU с не менее 8 ГБ VRAM Совместимость:#Nvidia 🖥Описание софта: LatentSync - это инновационный инструмент для синхронизации движения губ с аудио на основе латентных диффузионных моделей. Особенность системы в том, что она создает естественную и точную синхронизацию губ с речью без промежуточных этапов обработки, что делает результат более качественным и реалистичным. 😬Основные возможности LatentSync: 🟣 Высокоточная синхронизация движения губ с аудио 🟣 Сохранение естественной мимики лица 🟣 Поддержка как реальных, так и анимированных видео 🟣 Простой и понятный интерфейс 💿Установка и запуск: ⁍ Скачайте zip архив LatentSync ⁍ Распакуйте архив в удобное место (без кириллицы и пробелов в пути) ⁍ Запустите файл install-script.bat ⁍ Дождитесь окончания установки (будет выведено соответствующее сообщение) ⁍ Запустите start_latentsync.bat для начала работы ➡️Скачать LatentSync Portable ZIP — обычный ZIP архив 💬Обсудить в чате | ⭐️Поддержать канал 👾НЕЙРО-СОФТ — Делаем нейросети доступнее.
@githubtrending · Post #14988 · 23.07.2025 г., 00:00
#python#deep_learning#diffusion#flax#flux#hacktoberfest#image_generation#image2image#image2video#jax#latent_diffusion_models#pytorch#score_based_generative_modeling#stable_diffusion#stable_diffusion_diffusers#text2image#text2video#video2video The Hugging Face Diffusers library is a powerful and easy-to-use tool for generating images, audio, and 3D molecular structures using advanced diffusion models. It offers ready-to-use pretrained models and flexible components like pipelines, schedulers, and model building blocks, allowing you to quickly create or customize your own diffusion-based projects. Installation is simple via pip or conda, and you can generate high-quality outputs with just a few lines of code. This library benefits you by making cutting-edge AI generation accessible, customizable, and efficient, whether you want to run models or train your own[1][2][5]. https://github.com/huggingface/diffusers