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 3 слични објави

Пребарај: #keras

当前筛选 #keras清除筛选
Data Science Jobs

@datasciencejobs · Post #2167 · 20.06.2024 г., 16:05

#вакансия#ml#cv#nn#TensorFlow#PyTorch#Keras Возможность присоедениться к стартапу с инвестициями в самом начале! Описание вакансии Ищем ML / CV инженера для создания и обучений нейросетей. Мы создаем современную систему аналитики спортивных событий с использованием технологий AI и компьютерного зрения. У нас небольшая, но классная команда, нацеленная на прорывные результаты в нашей сфере деятельности. Обязанности - создание, обучение, тестирование и внедрение алгоритмов машинного обучения и компьютерного зрения; - работа с DL фреймворками, в частности YOLO; - построение пайплайнов от сбора данных до детекции событий; - оптимизация, файн-тюнинг для достижения требуемых метрик производительности; - исследование, изучение, применение новейших методик в области машинного обучения, компьютерного зрения и связанных с этим технологий детекции и трекинга. Требования - опыт в ML / CV с фокусом на DL моделях; - знание python / C++, знакомство с библиотеками TensorFlow / PyTorch / Keras и т.д.; - знание CI/CD (git, yaml, docker, terraform, ansible) - опыт работы с библиотеками OpenCV, YOLO, или похожими библиотеками определения объектов; - отличное знание математических принципов статистики, теории вероятностей, построения моделей и методов их обучения, контроль качества; - опыт работы с фото / видео источниками данных; - опыт применения моделей в условиях реального времени; - умение решать сложные задачи, возможность самостоятельно работать задачами; - будет отлично, если вам интересен спорт и спортивная тематика. Мы предлагаем: • Удаленный формат работы, при желании есть возможность работать из офиса • Официальное трудоустройство в штат компании по ТК РФ • Конкурентная и полностью белая заработная плата • Аккредитованная IT компания • Готовы предложить опцион Присылайте информацию о себе сюда

djangoproject

@djangoproject · Post #413 · 15.08.2017 г., 12:34

http://codeinpython.com/tutorials/deep-learning-tensorflow-keras-pytorch/?nonamp=1 Deep Learning #Tensorflow vs #Keras vs #PyTorch #Deep_learning is the application of artificial #neural_networks (ANNs) to learn tasks. These tasks contain more than one hidden layer. Deep learning is part of a broader family of #machine_learning. Machine learning itself is a part of #Artificial_Intelligence(#AI).

GitHub Trends

@githubtrending · Post #14863 · 24.06.2025 г., 13:30

#other#automl#chatgpt#data_analysis#data_science#data_visualization#data_visualizations#deep_learning#gpt#gpt_3#jax#keras#machine_learning#ml#nlp#python#pytorch#scikit_learn#tensorflow#transformer This is a comprehensive, regularly updated list of 920 top open-source Python machine learning libraries, organized into 34 categories like frameworks, data visualization, NLP, image processing, and more. Each project is ranked by quality using GitHub and package manager metrics, helping you find the best tools for your needs. Popular libraries like TensorFlow, PyTorch, scikit-learn, and Hugging Face transformers are included, along with specialized ones for time series, reinforcement learning, and model interpretability. This resource saves you time by guiding you to high-quality, actively maintained libraries for building, optimizing, and deploying machine learning models efficiently. https://github.com/ml-tooling/best-of-ml-python