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: #tinyml

当前筛选 #tinyml清除筛选
GitHub Trends

@githubtrending · Post #15239 · 21.10.2025 г., 11:30

#python#artificial_intelligence#cloud_ml#computer_systems#courseware#deep_learning#edge_machine_learning#embedded_ml#machine_learning#machine_learning_systems#mobile_ml#textbook#tinyml You can learn how to build real-world AI systems from start to finish with an open-source textbook originally from Harvard University. It teaches you not just how to train AI models but how to design scalable systems, manage data pipelines, deploy models in production, monitor them continuously, and optimize for devices like phones or IoT gadgets. This helps you become an engineer who can create efficient, reliable, and sustainable AI systems that work well in practice. The book offers hands-on labs, community support, and free online access, making it easier to gain practical skills in machine learning systems engineering. https://github.com/harvard-edge/cs249r_book