хорошая статья и прикололо, что из Яндекса тут же в комментах отметились)
народ, а если ползать между Google Colab, Yandex Sphere, SaturnCloud, puzl.ee, etc, то на каком хранилище данных лучше оставлять свои пожитки для долгого хранения?
(в идеале хотелось бы, чтобы внешние данные можно было замаунтить локально, как Google Drive в Google Colab)
мне этого в обозримом будущем самому не поднять так, чтобы быть уверенным в своём коде ((
я не могу найти подобные готовые имплементации на github.com или bitbucket.com, к сожалению. Было бы чудесно, если бы вы смогли выложить в открытый доступ подобный проект на одной из этих открытых платформ.
Дмитрий, охрененная статья, спасибо, жаль что многовато негатива в комментах. Дмитрий, в моём нынешнем проекте граф направленный и дистанции от вершины к вершине зависят от предыдущей вершины в траектории. Это ещё не вся беда — топология моего графа (вплоть до самого множества вершин и ребёр) меняется с течением времени. Есть ли какой-то аппарат для введения изменяющейся во времени системы координат для подобных графов подобно тому, что вы описали? (желательно с упором на вероятностный подход)
вообще, если зрить в корень, то потребитель — это не альфа-самец, он идёт за, а не ведёт за. Поэтому, извините уж за далеко зашедшую аналогию, компании играют роль альфа-самцов, чтобы иметь потребителей так, как им это хочется, не допуская к своему стаду других. А если доставит удовольствие, то потребитель ещё и нахваливать будет ;)
как-то так.
З.Ы. как будет по-латински «крик души разумной»? ох, запинают хлопца ногами, а жаль, разумное ведь вещает.
1. пара модулей, где pypy странно требует больше памяти, чем CPython (ведь обычно даже меньше), но возможно дело в этом: bugs.pypy.org/issue1282
2. lxml падал в многопоточных приложениях (трудно воспроизводимо)
это из последних лет, а это из грядущего:
3. pyCUDA/Theano не собирается даже
> Какую версию pypy используете сейчас?
сборку двухнедельной давности из репозитория, где fijal допили последний принципиальный для меня issue по numpy
> С какой начали?
следил с 0.9х какой-то, а пользоваться, где-то между 1.2 и 1.3
Неприятности были скорее лишь в несовместности с некими важными библиотеками использующих внешний С-код (в первую очередь numpy, lxml), но это уже уходит в прошлое.
Багов как таковых не было: трансляция pypy из pypy — это очень неслабый тест, который стоит в основе каждой сборки.
и откуда вы меня так хорошо знаете? может мы в школе драйвера, вирусы с антивирусами вместе писали и игрушки в дебагере ломали? а может в универе мы компилятор с++ вместе пислали и векторные процессоры программировали?
в спецификациях любимых нам языков есть не особенно кому-то нужное предписание о том, что аргументы функции считаются последовательно. Разрешите их считать параллельно и будет вам шаг к возможности повсеместного распараллеливания.
ML в облаке: как я попробовал Yandex DataSphere и почему его так непросто сравнить с Google Colab
хорошая статья и прикололо, что из Яндекса тут же в комментах отметились)
народ, а если ползать между Google Colab, Yandex Sphere, SaturnCloud, puzl.ee, etc, то на каком хранилище данных лучше оставлять свои пожитки для долгого хранения?
(в идеале хотелось бы, чтобы внешние данные можно было замаунтить локально, как Google Drive в Google Colab)
ML в облаке: как я попробовал Yandex DataSphere и почему его так непросто сравнить с Google Colab
ау, народ, может кто пробовал уже?
Как запихать нейронку в кофеварку
Q1. а этот третий конвертер «3. Pytorch->TensorFlow» есть в открытом доступе?
Q2. можете ли порекомендовать ссылки на примеры предобученных TF-Lite моделек (EfficientDet, YoloV4, MobileNet, ResNet) для object detection, показывающих на Rpi4 FPS >= 10?
Коронавирус: почему надо действовать прямо сейчас
Q2. какую чувствительность и специфичность гарантируют эти тесты?
Q3. какие именно тесты применялись для квантификации?
есть ещё куча важных вопросов, на которые эксперты что-то вяло отвечают.
Уравнение Навье-Стокса и симуляция жидкостей на CUDA
я не могу найти подобные готовые имплементации на github.com или bitbucket.com, к сожалению. Было бы чудесно, если бы вы смогли выложить в открытый доступ подобный проект на одной из этих открытых платформ.
Уравнение Навье-Стокса и симуляция жидкостей на CUDA
Охрененная работа, огромное спасибо!
А есть аналогичная восхитительная имплементация для 3D?
Writing yet another Kubernetes templating tool
Геометрия данных 1. Симплексы и графы
Использование MongoDB в Django
З.Ы. за наводку отблагодарил
Использование MongoDB в Django
а есть ли у вас ссылки на сравнение производительности Flask с другими фреймворками?
Я не хочу быть частью вашей (чертовой) экосистемы
как-то так.
З.Ы. как будет по-латински «крик души разумной»? ох, запинают хлопца ногами, а жаль, разумное ведь вещает.
Новый руткит для 64-разрядной системы Linux: внедрение iframe
дело осталось за малым
Производительность в Python. Легкий путь
что конкретно не вышло?
Парень выложил свой геном на Github под открытой лицензией
Производительность в Python. Легкий путь
пока с одним приложением (для онлайн рекрутингового рынка), потом есть конкретные планы к другим областям применять.
Производительность в Python. Легкий путь
1. пара модулей, где pypy странно требует больше памяти, чем CPython (ведь обычно даже меньше), но возможно дело в этом: bugs.pypy.org/issue1282
2. lxml падал в многопоточных приложениях (трудно воспроизводимо)
это из последних лет, а это из грядущего:
3. pyCUDA/Theano не собирается даже
> Какую версию pypy используете сейчас?
сборку двухнедельной давности из репозитория, где fijal допили последний принципиальный для меня issue по numpy
> С какой начали?
следил с 0.9х какой-то, а пользоваться, где-то между 1.2 и 1.3
Неприятности были скорее лишь в несовместности с некими важными библиотеками использующих внешний С-код (в первую очередь numpy, lxml), но это уже уходит в прошлое.
Багов как таковых не было: трансляция pypy из pypy — это очень неслабый тест, который стоит в основе каждой сборки.
Производительность в Python. Легкий путь
Производительность в Python. Легкий путь
Карманный кластер за $99
Карманный кластер за $99