Спасибо за статью, интересный подход, наверно будем пробовать. Может есть смысл кроме этого поста сделать более развернутый tutorial с разбором пары примеров и неочевидными вещами.
Хуже того, именно очень сильная и гибкая система динамической типизации очень сильно убивает производительность (не уверен, но возможно что даже сильнее, чем компиляция в байт-код).
Один из важнейших шагов при работе с теми же Cython/Numba - жестко зажать входные типы, чтобы получить максимально эффективный машинный код.
TF и другие пакеты для расчётов во многом написаны на C (и CUDA и даже Fortran) и будут работать только с обычной реализацией Python. В этом и состоит основная идея Python для расчётов - язык-клей для оптимизированного кода из других библиотек.
Кстати, многпоточность можно через Cython использовать, если уместно в это вкладываться.
Есть еще OpenSearch - клон эластика от AWS с другой лицензией. И уже упомянутый Solr (он тоже на основе индекса Lucene)
Особо суровые олды (например Бобук) застали еще и переход с версии 1.5 на 2...
Говорят это было еще веселее. Пользовательская база правда была сильно меньше.
На английском сносный результат ;)
И почему-то на запрос Minsk metro вылазят Джокер и Байден... ИИ явно что-то знает
Спасибо за материал. С удовольствием прочитал бы еще обзоры из мира RL!
Статья очень жидкая - вода и повторы :(
Возможно будет полезно: страничка оригинального издания - https://realpython.com/products/python-basics-book/
Это же отрывок из книги. В статье есть ссылка на PDF :( с оглавлением
Странно, а почему вы опытного девопса на пару часов не позвали сделать нормальный setuptools файл?
Спасибо за обзор! А что смотрели из мировых и/или свободных решений?
Абсолютно согласен.
Мне все время хочется за рекомендацию "учить Python по Лутцу" этим же Лутцем в ответ и стукнуть...
Его автор уже упомянул. Русская версия называлась "Python. К вершинам мастерства".
На английском уже появилось второе издание. Сильно растолстело - 1000 страниц. Но по моему опыту - это mustread если надо стать сеньером.
К сожалению, даже книга Любановича довольно сильно разрослась (500+ страниц во втором издании), не всегда можно просто так дать новичку для входа.
Раньше была очень хорошая и короткая книга Dive into Python (сам по ней в язык входил), есть бесплатно в сети. Но к сожалению, ее давно не обновляли.
Спасибо за статью, интересный подход, наверно будем пробовать. Может есть смысл кроме этого поста сделать более развернутый tutorial с разбором пары примеров и неочевидными вещами.
А можно ли где-то взять сами данные, чтобы можно было воспроизвести?
Лучше использовать специальные решения: Milvus, Pinecone, Qdrant для подбора кандидатов на основе ANN.
В линейке Windows NT (т.е. последние лет 20, если я не ошибаюсь) можно использовать в путях прямой слэш.
Хуже того, именно очень сильная и гибкая система динамической типизации очень сильно убивает производительность (не уверен, но возможно что даже сильнее, чем компиляция в байт-код).
Один из важнейших шагов при работе с теми же Cython/Numba - жестко зажать входные типы, чтобы получить максимально эффективный машинный код.
TF и другие пакеты для расчётов во многом написаны на C (и CUDA и даже Fortran) и будут работать только с обычной реализацией Python. В этом и состоит основная идея Python для расчётов - язык-клей для оптимизированного кода из других библиотек.
Кстати, многпоточность можно через Cython использовать, если уместно в это вкладываться.
Не сказал бы, что развитая, есть минимум два несовместимых метода проверок - mypy и pycharm. И для numpy типизация не до конца работает.
И не поспоришь! 😁