Channels

Top 100 Trending New

Categories

Crypto Gaming News Entertainment Music Sports Tech Gambling Bots and mini apps Finance Business Education Lifestyle Health Travel Auto Fashion Jobs Dating Deals and shopping

Stickers

Stickers Emoji Themes Wallpapers

Bots Gifts Tools

Currency

$ USD ₽ RUB € EUR ₴ UAH ₸ KZT ₺ TRY zł PLN ₪ ILS AED AED R$ BRL Rp IDR RM MYR ¥ JPY ₩ KRW CN¥ CNY

Theme

Português (Brasil)

Bahasa Indonesia

Беларуская

Українська

Channels Categories Stickers Bots Gifts Tools

Premium Wiki Glossary Legal

Notifications Settings Log in

Логово Комара: post #524 — TG.ME

Логово Комара@LogKmr · 1.2K subscribers Open in TelegramOpen

[media without text]

t.me/LogKmr/524

October 19, 2024 2.6K 1

More from this channel

Про построение мультиагентных систем простыми словами На данный момент занимаюсь мультиагентными системами и поэтому сегодня объясняю взаимодействие агентов на пальцах. Агент - llm модель, функционал которой мы используем по api. Его действия это tools, а если он хранит инфу в базе данных, то это Rag система, но сегодня не про нее. Мозг агента это системный промт, который мы ей прописываем, то есть по сути говорим llm что конкретно мы от нее хотим. Как выстроить агентное взаимодействие: Есть много разных вариантов взаимодействия агентов, самый простой это иерархическая структура босс-подчиненный. Суть данной структуры заключается в том, что у нас есть главный агент, который запромчен раздавать поручения, еще несколько агентов заданы выполнять эти поручения. Каждому агенту мы прописываем его роль и данные, которые он получает и отдаёт. Главный агент получает данные и отдаёт их+поручения второстепенным агентам. Так как каждый из агентов имеет свою роль, например "аналитик", то он заведомо знает, что именно он должен делать с данными, но получает уточняющую информацию от главного агента. Почему на проде мультиагентная система даёт прирост по качеству по сравнению с агентной системой: Все просто, один агент имеет свою цепочку размышлений, больше агентов=более сложная цепочка размышлений, что помогает посмотреть на данные с разных точек зрения. 1.1K·Sep 10 Собираем API Сначала нужно установить FastAPI и сервер для запуска приложения. Все это делается одной командой в терминале: pip install fastapi unicorn Идем дальше: from fastapi import FastAPI app = FastAPI() @app.get("/") def read_root(): return {"message": "Привет, FastAPI!"} Здесь мы создали приложение, добавили первый маршрут (/ — главная страница) и настроили ответ в формате JSON. Теперь можно запустить сервер: uvicorn main:app --reload После этого API начнет работать. Можно открыть браузер и ввести http://127.0.0.1:8000, чтобы увидеть наш JSON-ответ. А если добавить /docs в конец адреса (http://127.0.0.1:8000/docs), откроется автоматически сгенерированная документация. В ней можно посмотреть, какие маршруты есть в API, какие параметры они принимают и сразу протестировать их. 820·Sep 10 Про многопоточность часть 2 А теперь представим ситуацию - данных слишком много, причем по прежнему разных, нужно использовать несколько алгоритмов, как это реализовать? В Python есть два основных способа работы с потоками: 🔸Низкоуровневый — через модуль threading (ручное управление) 🔸Высокоуровневый — через ThreadPoolExecutor (автоматическое управление пулом потоков) Рассмотрим оба подхода с примерами. 1. Ручное управление потоками (threading) Базовый пример import threading def task(text): print(f"Поток {threading.current_thread().name} обрабатывает: {text}") # Создаем потоки threads = [] for i in range(3): thread = threading.Thread(target=task, args=(f"текст-{i}",), name=f"Thread-{i}") threads.append(thread) thread.start() # Запускаем поток # Ждем завершения всех потоков for thread in threads: thread.join() print("Все потоки завершили работу") Вывод: Поток Thread-0 обрабатывает: текст-0 Поток Thread-1 обрабатывает: текст-1 Поток Thread-2 обрабатывает: текст-2 Все потоки завершили работу 2. Автоматическое управление (ThreadPoolExecutor) Базовый пример from concurrent.futures import ThreadPoolExecutor def process_text(text): return f"Обработано: {text}" texts = ["отзыв 1", "отзыв 2", "отзыв 3"] # Создаем пул из 2 потоков with ThreadPoolExecutor(max_workers=2) as executor: # Вариант 1: map (параллельное выполнение) results = list(executor.map(process_text, texts)) # Вариант 2: submit (отдельные задачи) futures = [executor.submit(process_text, text) for text in texts] results = [future.result() for future in futures] print(results) Вывод: ['Обработано: отзыв 1', 'Обработано: отзыв 2', 'Обработано: отзыв 3'] А теперь главное, что нужно запомнить: В threading каждый поток вызывается вручную через .start() В ThreadPoolExecutor отправляются пулом без твоего вмешательства через with И самый важный поинт: в части 1 мы параллелим задачи одной модели при обучении, в части 2 мы параллелим сами модели Ставим реакции, если заходит контент 🔥 1K·Aug 8 Про многопоточность в машинном обучении Представим ситуацию: данных дали мало, все разные, да и еще нужно найти самые устойчивые признаки, что делать? Multi-Task Learning, MTL — это подход, при котором модель обучается на нескольких связанных задачах одновременно, что улучшает обобщающую способность за счет совместного использования представлений данных. Основные методы MTL в глубоком обучении: 🔸Жёсткое разделение параметров (Hard Parameter Sharing) Общие скрытые слои для всех задач, но индивидуальные выходные слои для каждой. 🔸Мягкое разделение параметров (Soft Parameter Sharing) У каждой задачи своя модель, но параметры регуляризуются для сходства (например, через L2-норму). Не забываем про взвешивание потерь — автоматическую настройку важности каждой задачи на основе её неопределённости. Ставим реакции и выложим код с реализацией 🔥 854·Aug 7

Что такое паттерны в решении алгоритмических задач Паттерны в решении алгоритмических задач — это типичные подходы или стратегии, которые часто используются для решения определенных классов задач. Каждая задача входит в ряд задач, которые перекрывает определённый паттерн Примеры задач на Окна фикс. длины: ✔️максимальная сумма массива Пересекающиеся окна: ✔️цепочка уникальных генов Не пересекающиеся окна: ✔️Сжатие значений счётчика 2.2K·Jan 16

An open web layer over public Telegram — search, stats and channel reading right in your browser, no account, no install.

Not affiliated with Telegram FZ-LLC; all data comes from public sources.

Catalog

Top channels Categories Countries Search

Content

Stickers Emoji Gifts Themes Wallpapers

Help

Tools Wiki Glossary Blockchain Safety Premium Advertisers Advertising

© 2026 TG.ME · G.Media network· Updated 08/28/2026 · v0.2.0 · c9ad1b1

Privacy Terms DMCA & complaints Report a violation

Similar channels

Логово комара 💻129 subscribers

Pro Python • IT4.2K subscribers

Справочник Программиста5.8K subscribers

$ sudo teach IT ⚙️6.1K subscribers

MgiCode850 subscribers

Библиотека Кодера5.2K subscribers

Backend Portal | Программирование16.2K subscribers

IT Portal100.9K subscribers