TGTGInsighttelegram intelligenceLIVE / telegram public index
← Python Заметки

TGINSIGHT SIMILAR POSTS

Најди сличен содржај

Изворен канал @pythonotes · Post #425 · 20 апр.

Недавно делал быстрый прототип асинхронного приложения в котором требовалось вызывать много синхронного кода. Да, я знаю, что это не лучший дизайн, но нужно было быстрое решение на один процесс и без очередей. Поэтому я выполнял код в потоках. Выглядело это примерно так: from fastapi.concurrency import run_in_threadpool async def execute(data: DataRequest) -> DataResponse: try: result = await run_in_threadpool(sync_function, data) return DataResponse(data=result) except Exception as e: return DataResponse( error=str(e), success=False, ) В общем работает нормально. Для всех вызовов под капотом используется общий тредпул, всё работает предсказуемо. Но потребовалось изменить количество запускаемых в пуле потоков (по умолчанию создается 40 воркеров). Так как дело происходит с FastAPI, делается это через lifespan используя настройки anyio: import anyio @asynccontextmanager async def lifespan(app: FastAPI): limiter = anyio.to_thread.current_default_thread_limiter() limiter.total_tokens = 100 yield # если вдруг нужно вернуть обратно limiter.total_tokens = 40 Зачем менять количество воркеров? - уменьшить, если оперативки мало (один тред занимает ~8мб) - увеличить чтобы выдержать нагрузку Если есть предложения получше при тех же вводных - предлагайте😉 #async

Hashtags

Резултати

Пронајдени 1 слични објави

Пребарај: #headofdatascience

当前筛选 #headofdatascience清除筛选
Data Science Jobs

@datasciencejobs · Post #2926 · 16.09.2025 г., 09:10

#vacancy#fulltime#hybrid#moscow #headofdatascience#datascience#RecSys Head of Data Science (RecSys) Мы ищем опытного Head of Data Science, специализирующегося на Dating/Video сервисах. Если у вас есть экспертиза в создании рекомендательных систем для видеоконтента и вы готовы возглавить весь цикл разработки, мы будем рады рассмотреть вашу кандидатуру. Чем предстоит заниматься: - Отвечать за весь процесс разработки рекомендательных систем для видеосервисов. - Разрабатывать, обучать и внедрять модели машинного обучения. - Оценивать эффективность моделей и находить пути для их улучшения. - Развивать и поддерживать автоматизированные процессы обучения и прогнозирования. - Интегрировать модели в рабочие системы (через API, ETL-процессы). - Тесно взаимодействовать с командами аналитики, инженерами данных и бизнес-менеджерами. - Выявлять скрытые закономерности и тренды в данных для повышения качества рекомендаций. Требования: - Опыт работы от 3 лет в сфере video/streaming. - Успешный опыт разработки рекомендательных систем для видеоплатформ и таргетирования видеоконтента. - Опыт взаимодействия с бизнесом для сбора и формализации требований. - Уверенное владение SQL. - Отличное знание Python и библиотек для анализа данных (pandas, scikit-learn, xgboost). - Глубокое понимание основ теории вероятностей, математической статистики и машинного обучения. Мы предлагаем: - Трудоустройство по ИП РФ. - Конкурентную заработную плату от 450.000 до 600.000 р - Гибридный формат работы в Москве. Резюме направлять: @sourserXP