This media is not supported in your browser
VIEW IN TELEGRAM
enum, перечисления
Программист время от времени сталкивается с необходимостью ограничить множество допустимых значений для некоторого типа данных. Например, день недели это 7 различных значений, а месяцев у нас 12. Для удобного хранения подобных данных придуманы перечисления -
Стандартная реализация
Реализация представлена модулем
Программист время от времени сталкивается с необходимостью ограничить множество допустимых значений для некоторого типа данных. Например, день недели это 7 различных значений, а месяцев у нас 12. Для удобного хранения подобных данных придуманы перечисления -
enum.Стандартная реализация
enum появилась в Python начиная с версии 3.4 ( PEP 435. До этого ее легко заменяли словарями.Реализация представлена модулем
enum. Модуль содержит несколько классы Enum, IntEnum (константы могут иметь только тип int) и декоратор unique, который проверяет ваш набор констант на дубликаты.This media is not supported in your browser
VIEW IN TELEGRAM
Исследователи из США представили новый метод обучения ИИ, который ускорит процесс в 2-3 раза. В будущем такие процессоры могут использовать в сетях 5G.
Исследователи добились прорыва в обучении искусственного интеллекта (ИИ), используя свет вместо электричества. Новый метод значительно повышает как скорость, так и эффективность работы нейронных сетей — формы ИИ, целью которой является воспроизведение функций, выполняемых человеческим мозгом. Так машина обучает себя определенной задаче, не наблюдая за тем, как с этим справляется человек.
Нынешние методы машинного обучения ограничены в выполнении сложных операций — для них нужна огромная мощность. При этом чем сложнее задача, тем больше данных и, следовательно, энергопотребление. Такие сети также ограничены медленной передачей данных в устройствах.
Исследователи из Университета Джорджа Вашингтона в США обнаружили, что использование фотонов в нейронных процессорах поможет преодолеть эти ограничения и создать более мощный и энергоэффективный ИИ.
Исследователи добились прорыва в обучении искусственного интеллекта (ИИ), используя свет вместо электричества. Новый метод значительно повышает как скорость, так и эффективность работы нейронных сетей — формы ИИ, целью которой является воспроизведение функций, выполняемых человеческим мозгом. Так машина обучает себя определенной задаче, не наблюдая за тем, как с этим справляется человек.
Нынешние методы машинного обучения ограничены в выполнении сложных операций — для них нужна огромная мощность. При этом чем сложнее задача, тем больше данных и, следовательно, энергопотребление. Такие сети также ограничены медленной передачей данных в устройствах.
Исследователи из Университета Джорджа Вашингтона в США обнаружили, что использование фотонов в нейронных процессорах поможет преодолеть эти ограничения и создать более мощный и энергоэффективный ИИ.
This media is not supported in your browser
VIEW IN TELEGRAM
yield from
Рассмотрим еще одну страшную конструкцию в Python: yield from
Напомню, генератор это объект который можно про итерировать только однажды. Записывается как:
Рассмотрим еще одну страшную конструкцию в Python: yield from
Напомню, генератор это объект который можно про итерировать только однажды. Записывается как:
This media is not supported in your browser
VIEW IN TELEGRAM
Конвертер video в gif на Python
Для начала установим библиотеку ffmpy :
Для начала установим библиотеку ffmpy :
This media is not supported in your browser
VIEW IN TELEGRAM
#Kotlin
Kotlin — это язык программирования общего назначения со статической типизацией, разработанный JetBrains, который создал интегрированные среды разработки мирового класса, такие как IntelliJ IDEA, PhpStorm, Appcode и т. Д. Он был впервые представлен JetBrains в 2011 году и стал новым языком для JVM. Kotlin является объектно-ориентированным языком и «лучшим языком», чем Java, но все же полностью совместим с кодом Java.
Kotlin спонсируется Google, объявленным в качестве одного из официальных языков для разработки Android в 2017 году.
Kotlin — это язык программирования общего назначения со статической типизацией, разработанный JetBrains, который создал интегрированные среды разработки мирового класса, такие как IntelliJ IDEA, PhpStorm, Appcode и т. Д. Он был впервые представлен JetBrains в 2011 году и стал новым языком для JVM. Kotlin является объектно-ориентированным языком и «лучшим языком», чем Java, но все же полностью совместим с кодом Java.
Kotlin спонсируется Google, объявленным в качестве одного из официальных языков для разработки Android в 2017 году.
This media is not supported in your browser
VIEW IN TELEGRAM
ИИ научился восстанавливать песню по музыкальному видео
Новая модель искусственного интеллекта (ИИ) умеет просматривать видео без звука, где музыкант играет песню на инструменте, и восстанавливать эту композицию. В будущем эта технология будет использовать движения тела для восстановления речи и других звуков.
Новая модель искусственного интеллекта (ИИ) умеет просматривать видео без звука, где музыкант играет песню на инструменте, и восстанавливать эту композицию. В будущем эта технология будет использовать движения тела для восстановления речи и других звуков.
This media is not supported in your browser
VIEW IN TELEGRAM
Go — это процедурный язык программирования.
#Go
Он был разработан в 2007 году Робертом Гриземером, Робом Пайком и Кеном Томпсоном в Google, но запущен в 2009 году как язык программирования с открытым исходным кодом. Программы собираются с использованием пакетов, для эффективного управления зависимостями. Этот язык также поддерживает шаблоны адаптации среды к динамическим языкам. Например, вывод типа (y: = 0 является допустимым объявлением переменной y типа float).
Начиная с программирования Go
#Go
Он был разработан в 2007 году Робертом Гриземером, Робом Пайком и Кеном Томпсоном в Google, но запущен в 2009 году как язык программирования с открытым исходным кодом. Программы собираются с использованием пакетов, для эффективного управления зависимостями. Этот язык также поддерживает шаблоны адаптации среды к динамическим языкам. Например, вывод типа (y: = 0 является допустимым объявлением переменной y типа float).
Начиная с программирования Go
This media is not supported in your browser
VIEW IN TELEGRAM
Как разбить строку в Python
#python
Разбитие строки на подстроки является одной из самых частых операций в программировании.
Описание метода split( ) в Python
В Python существует довольно простой но весьма эффективный метод split( ) который разбивает строку/текст по указанному разделителю и возвращает список подстрок.
#python
Разбитие строки на подстроки является одной из самых частых операций в программировании.
Описание метода split( ) в Python
В Python существует довольно простой но весьма эффективный метод split( ) который разбивает строку/текст по указанному разделителю и возвращает список подстрок.
This media is not supported in your browser
VIEW IN TELEGRAM
ИИ запоминает запахи
Исследователи из Корнелльского университета и Intel разработали программное обеспечение для искусственного интеллекта (ИИ), которое может выучить запах химического вещества всего за одно воздействие, а затем запомнить этот запах навсегда.
Программное обеспечение, которое разработано для наиболее эффективной работы на экспериментальном чипе от Intel, известном как Loihi , настолько точное, что, по мнению исследователей, оно может даже обнаружить запах, маскируемый рядом других запахов.
В конечном счете, исследователи надеются создать готовое к продаже решение, которое сможет обнаруживать опасные вещества в воздухе, выискивать опасные наркотики, обнаруживать скрытые взрывчатые вещества и помогать в постановке медицинских диагнозов.
Исследователи из Корнелльского университета и Intel разработали программное обеспечение для искусственного интеллекта (ИИ), которое может выучить запах химического вещества всего за одно воздействие, а затем запомнить этот запах навсегда.
Программное обеспечение, которое разработано для наиболее эффективной работы на экспериментальном чипе от Intel, известном как Loihi , настолько точное, что, по мнению исследователей, оно может даже обнаружить запах, маскируемый рядом других запахов.
В конечном счете, исследователи надеются создать готовое к продаже решение, которое сможет обнаруживать опасные вещества в воздухе, выискивать опасные наркотики, обнаруживать скрытые взрывчатые вещества и помогать в постановке медицинских диагнозов.
Frontender's notes — канал про фронтенд-разработку.
Авторы канала публикуют:
— обучающие материалы и обзор современных технологий;
— новости фронтенда;
— рекомендации по написанию кода;
— вакансии;
— soft skills для разработчика.
Авторы канала публикуют:
— обучающие материалы и обзор современных технологий;
— новости фронтенда;
— рекомендации по написанию кода;
— вакансии;
— soft skills для разработчика.
This media is not supported in your browser
VIEW IN TELEGRAM
КОНСТАНТЫ — GO ЯЗЫК
#GO
Поскольку название CONSTANTS предполагает фиксированное значение, в языках программирования оно также одинаково, т. Е. После определения значения константы его нельзя изменить дальше. Могут быть любые основные типы данных константы, такие как целочисленная константа, плавающая константа, символьная константа или строковый литерал.
Как объявить?
Константы объявляются как переменные, но при использовании ключевого слова const в качестве префикса для объявления константы определенного типа. Его нельзя объявить с помощью синтаксиса : = .
#GO
Поскольку название CONSTANTS предполагает фиксированное значение, в языках программирования оно также одинаково, т. Е. После определения значения константы его нельзя изменить дальше. Могут быть любые основные типы данных константы, такие как целочисленная константа, плавающая константа, символьная константа или строковый литерал.
Как объявить?
Константы объявляются как переменные, но при использовании ключевого слова const в качестве префикса для объявления константы определенного типа. Его нельзя объявить с помощью синтаксиса : = .
image_1797026_3039854.jpg
495.6 KB
KOTLIN ТИП ПРЕОБРАЗОВАНИЯ
#Kotlin
Преобразование типов (также называемое приведением типов) относится к изменению сущности одной переменной типа данных в другой тип данных.
Как мы знаем, Java поддерживает неявное преобразование типов из меньшего в больший тип данных. Целочисленное значение может быть присвоено длинному типу данных.
Например:
#Kotlin
Преобразование типов (также называемое приведением типов) относится к изменению сущности одной переменной типа данных в другой тип данных.
Как мы знаем, Java поддерживает неявное преобразование типов из меньшего в больший тип данных. Целочисленное значение может быть присвоено длинному типу данных.
Например:
Искусственный интеллект обнаружит аномалии в работе металлообрабатывающего станка
Компания «Цифра» разработала систему предиктивной аналитики Zyfra PdA с применением технологий машинного обучения, которая позволяет выявить аномалии в технологических параметрах металлообрабатывающего станка и определить их возможную причину.
Zyfra PdA в реальном времени анализирует данные станка, оповещает пользователей в момент появления аномалий в технологическом процессе, а также указывает на возможную причину аномалии и выдает рекомендации о дальнейших действиях. Система определяет износ и поломку режущего инструмента станка, ошибки оператора, неисправность станка, повышенную твердость заготовки и наличие в заготовке инородных включений, а также некорректное крепление детали и смещение детали в процессе обработки.
Компания «Цифра» разработала систему предиктивной аналитики Zyfra PdA с применением технологий машинного обучения, которая позволяет выявить аномалии в технологических параметрах металлообрабатывающего станка и определить их возможную причину.
Zyfra PdA в реальном времени анализирует данные станка, оповещает пользователей в момент появления аномалий в технологическом процессе, а также указывает на возможную причину аномалии и выдает рекомендации о дальнейших действиях. Система определяет износ и поломку режущего инструмента станка, ошибки оператора, неисправность станка, повышенную твердость заготовки и наличие в заготовке инородных включений, а также некорректное крепление детали и смещение детали в процессе обработки.
KOTLIN -типы данных.
#kotlin
Наиболее фундаментальным типом данных в Kotlin является тип данных Primitive, а все остальные являются ссылочными типами, такими как массив и строка. Java должна использовать оболочки (java.lang.Integer), чтобы примитивные типы данных вели себя как объекты, но Kotlin уже имеет все типы данных в качестве объектов.
В Котлине есть разные типы данных —
Целочисленный тип данных
Тип данных с плавающей точкой
Логический тип данных
Тип данных персонажа
Целочисленный тип данных :
Эти типы данных содержат целочисленные значения.
#kotlin
Наиболее фундаментальным типом данных в Kotlin является тип данных Primitive, а все остальные являются ссылочными типами, такими как массив и строка. Java должна использовать оболочки (java.lang.Integer), чтобы примитивные типы данных вели себя как объекты, но Kotlin уже имеет все типы данных в качестве объектов.
В Котлине есть разные типы данных —
Целочисленный тип данных
Тип данных с плавающей точкой
Логический тип данных
Тип данных персонажа
Целочисленный тип данных :
Эти типы данных содержат целочисленные значения.
Алгоритмы проверили на распознавание лиц в масках
Результат оказался в целом ожидаемым, хотя показатели ошибочности вполне можно назвать впечатляющими.
Национальный институт стандартов и технологий США начал серию исследований, цель которых — выяснить, насколько хорошо алгоритмы распознавания лиц работают в условиях масочного режима. Вопрос на сегодняшний день крайне актуальный, и некоторые производители заявляют, что уже разработали системы, способные распознавать лица в масках. Но в НИСТ начали по порядку и в первом исследовании протестировали 89 алгоритмов, созданных еще до начала пандемии.
В тесте было использовано более шести миллионов фотографий и алгоритмы должны были определить, насколько одно изображение человека соответствует другому — самая обычная в подобных случаях задача, используемая, в частности, для разблокирования смартфонов. От более сложного задания — найти соответствие одному во всей базе — исследователи решили отказаться. На изображения цифровым способом накладывались девять вариантов масок, отличающихся по форме и цвету.
В результате даже лучшие из 89 алгоритмов, которые в обычных условиях распознавали лица с точность в 99,7%, при использовании масок ошибались как минимум в 5% случаев. У большинства же уровень ошибочности составлял от 20% до 50%.
Основная причина заключалась в недостаточности информации об отличительных особенностях лиц, которые, собственно, и необходимы алгоритмам для распознавания. При этом специалисты НИСТ заметили, что на уровень ошибочности влияет форма и цвет маски — чем маска больше и чем выше она закрывает нос, тем сложнее алгоритму распознать изображение. Число ошибок было также выше при использовании черных масок, но, как признают сами авторы исследования, у них не хватило времени на то, чтобы тщательнее изучить «цветовой» вопрос.
В следующем исследовании специалисты НИСТ намерены проверить новые алгоритмы, в которые уже заложена функция распознавания лиц в масках.
Результат оказался в целом ожидаемым, хотя показатели ошибочности вполне можно назвать впечатляющими.
Национальный институт стандартов и технологий США начал серию исследований, цель которых — выяснить, насколько хорошо алгоритмы распознавания лиц работают в условиях масочного режима. Вопрос на сегодняшний день крайне актуальный, и некоторые производители заявляют, что уже разработали системы, способные распознавать лица в масках. Но в НИСТ начали по порядку и в первом исследовании протестировали 89 алгоритмов, созданных еще до начала пандемии.
В тесте было использовано более шести миллионов фотографий и алгоритмы должны были определить, насколько одно изображение человека соответствует другому — самая обычная в подобных случаях задача, используемая, в частности, для разблокирования смартфонов. От более сложного задания — найти соответствие одному во всей базе — исследователи решили отказаться. На изображения цифровым способом накладывались девять вариантов масок, отличающихся по форме и цвету.
В результате даже лучшие из 89 алгоритмов, которые в обычных условиях распознавали лица с точность в 99,7%, при использовании масок ошибались как минимум в 5% случаев. У большинства же уровень ошибочности составлял от 20% до 50%.
Основная причина заключалась в недостаточности информации об отличительных особенностях лиц, которые, собственно, и необходимы алгоритмам для распознавания. При этом специалисты НИСТ заметили, что на уровень ошибочности влияет форма и цвет маски — чем маска больше и чем выше она закрывает нос, тем сложнее алгоритму распознать изображение. Число ошибок было также выше при использовании черных масок, но, как признают сами авторы исследования, у них не хватило времени на то, чтобы тщательнее изучить «цветовой» вопрос.
В следующем исследовании специалисты НИСТ намерены проверить новые алгоритмы, в которые уже заложена функция распознавания лиц в масках.
ФУНКЦИИ В GO LANGUAGE
#GO
Функции, как правило, представляют собой блок кодов или операторов в программе, который дает пользователю возможность повторно использовать один и тот же код, что в конечном итоге экономит чрезмерное использование памяти, экономит время и, что более важно, обеспечивает лучшую читаемость кода. Таким образом, в основном, функция представляет собой набор операторов, которые выполняют определенную задачу и возвращают результат вызывающей стороне. Функция также может выполнять какую-то конкретную задачу, ничего не возвращая.
#GO
Функции, как правило, представляют собой блок кодов или операторов в программе, который дает пользователю возможность повторно использовать один и тот же код, что в конечном итоге экономит чрезмерное использование памяти, экономит время и, что более важно, обеспечивает лучшую читаемость кода. Таким образом, в основном, функция представляет собой набор операторов, которые выполняют определенную задачу и возвращают результат вызывающей стороне. Функция также может выполнять какую-то конкретную задачу, ничего не возвращая.
Новый ИИ замечает невидимые сходства между произведениями искусства
Появился новый алгоритм, который может изучать произведения искусства и находить сходства между ними. Модель обучает сама себя и становится лучше с каждой итерацией.
Новая система, разработанная исследователями из MIT, находит неочевидные сходства между произведениями искусства. Модель MosAIc сканирует изображения, а затем использует глубокие сети, чтобы найти сходства в них — это могут быть культурологические сходства, похожие методы работы или детали, которые не могут заметить даже искусствоведы.
Чтобы использовать MosAIc, пользователь загружает туда изображения, а алгоритм находит похожие произведения искусства. В одном из примеров MosAIc связал работы Франсиско де Сурбарана «Мученичество Святого Серапиона» и Яна Асселина «Испуганный лебедь». Исследователи пояснили, что эти два художника никогда не встречались друг с другом, не переписывались, однако модель смогла найти несколько сюжетов, которые лежали в основе двух работ.
Особенно сложным аспектом разработки MosAIc было создание алгоритма, который может найти не только сходство в цвете или стиле, но и сюжеты в произведениях искусства. Исследователи изучили глубокую сеть связей, которые уже замечали искусствоведы, а алгоритм изучал логику того, как одни произведения искусства связаны с другими.
Исследователи также использовали новую структуру данных для поиска изображений — KNN Tree, она объединяет картинки в древовидную структуру. Чтобы найти ближайшее совпадение одного изображения с другим, алгоритм начинает со «ствола» связей, а потом следует за ближайшим перспективным «ответвлением». Таким образом, структура данных улучшается самостоятельно.
Ученые надеются, что их разработка может быть полезна и в других областях — гуманитарных, общественных науках и медицине. «Эти области богаты информацией, которая никогда не обрабатывалась с помощью наших методов. Они могут стать источником вдохновения как для ученых, так и просто интересующихся людей».
Появился новый алгоритм, который может изучать произведения искусства и находить сходства между ними. Модель обучает сама себя и становится лучше с каждой итерацией.
Новая система, разработанная исследователями из MIT, находит неочевидные сходства между произведениями искусства. Модель MosAIc сканирует изображения, а затем использует глубокие сети, чтобы найти сходства в них — это могут быть культурологические сходства, похожие методы работы или детали, которые не могут заметить даже искусствоведы.
Чтобы использовать MosAIc, пользователь загружает туда изображения, а алгоритм находит похожие произведения искусства. В одном из примеров MosAIc связал работы Франсиско де Сурбарана «Мученичество Святого Серапиона» и Яна Асселина «Испуганный лебедь». Исследователи пояснили, что эти два художника никогда не встречались друг с другом, не переписывались, однако модель смогла найти несколько сюжетов, которые лежали в основе двух работ.
Особенно сложным аспектом разработки MosAIc было создание алгоритма, который может найти не только сходство в цвете или стиле, но и сюжеты в произведениях искусства. Исследователи изучили глубокую сеть связей, которые уже замечали искусствоведы, а алгоритм изучал логику того, как одни произведения искусства связаны с другими.
Исследователи также использовали новую структуру данных для поиска изображений — KNN Tree, она объединяет картинки в древовидную структуру. Чтобы найти ближайшее совпадение одного изображения с другим, алгоритм начинает со «ствола» связей, а потом следует за ближайшим перспективным «ответвлением». Таким образом, структура данных улучшается самостоятельно.
Ученые надеются, что их разработка может быть полезна и в других областях — гуманитарных, общественных науках и медицине. «Эти области богаты информацией, которая никогда не обрабатывалась с помощью наших методов. Они могут стать источником вдохновения как для ученых, так и просто интересующихся людей».
КОТЛИН | ПОЛУЧИТЬ ЧАСТИ КОЛЛЕКЦИИ
#kotlin
Kotlin предоставляет функции расширения для извлечения частей коллекции. Функция-член, определенная вне класса, называется функцией расширения . Эти функции расширения могут предоставлять различные способы выбора различных элементов из списка.
Четыре функции расширения:
Кусочек
Возьми и брось
Блочная
Оконный
#kotlin
Kotlin предоставляет функции расширения для извлечения частей коллекции. Функция-член, определенная вне класса, называется функцией расширения . Эти функции расширения могут предоставлять различные способы выбора различных элементов из списка.
Четыре функции расширения:
Кусочек
Возьми и брось
Блочная
Оконный
На музыкальном фестивале в США выступил ИИ. Он представил десятиминутный клип, который сняли специально для этого концерта.
На музыкальном фестиваля Lollapalooza, который в этом году проходит онлайн, выступил искусственный интеллект (ИИ). Аватар Miquela представил песню «Hard Feelings» и 10-минутный клип на композицию.
Miquela — это цифровой аватар, который изначально был инфлюенсером в социальных сетях. Однако в 2019 году робот выпустил несколько синглов и музыкальных клипов. Выступление на Lollapalooza стало для нее первым в истории.
Создатели Miquela — стартап Brud из Калифорнии. Это один из самых популярных аватаров в социальной сети Instagram. Согласно отчету маркетинговой платформы CreatorIQ, у Miquela более 1,8 млн активных подписчиков. Аналитика аккаунта показала, что коэффициент влияния Miquela на аудиторию составляет 2,54%, что соответствует среднему показателю человека-блогера.
По словам Николь де Айора, главного исполнительного директора компании Brud, им предложили выступление аватара сразу после новостей о переносе фестиваля Lollapalooza в онлайн. Компания сняла клип на «Hard Feelings» специально для этого концерта. Это видео сделали дистанционно: режиссер работал из Торонто, хореограф — из Нью-Йорка, а программисты и специалисты по ИИ — из Лос-Анджелеса.
В Brud объяснили, что в этом клипе они не хотели встраивать Miquela в окружающий мир, а сделали ее собственную вселенную. Видео сделали с помощью инструмента Unreal Engine, а для создания кадров использовали виртуальные камеры.
На музыкальном фестиваля Lollapalooza, который в этом году проходит онлайн, выступил искусственный интеллект (ИИ). Аватар Miquela представил песню «Hard Feelings» и 10-минутный клип на композицию.
Miquela — это цифровой аватар, который изначально был инфлюенсером в социальных сетях. Однако в 2019 году робот выпустил несколько синглов и музыкальных клипов. Выступление на Lollapalooza стало для нее первым в истории.
Создатели Miquela — стартап Brud из Калифорнии. Это один из самых популярных аватаров в социальной сети Instagram. Согласно отчету маркетинговой платформы CreatorIQ, у Miquela более 1,8 млн активных подписчиков. Аналитика аккаунта показала, что коэффициент влияния Miquela на аудиторию составляет 2,54%, что соответствует среднему показателю человека-блогера.
По словам Николь де Айора, главного исполнительного директора компании Brud, им предложили выступление аватара сразу после новостей о переносе фестиваля Lollapalooza в онлайн. Компания сняла клип на «Hard Feelings» специально для этого концерта. Это видео сделали дистанционно: режиссер работал из Торонто, хореограф — из Нью-Йорка, а программисты и специалисты по ИИ — из Лос-Анджелеса.
В Brud объяснили, что в этом клипе они не хотели встраивать Miquela в окружающий мир, а сделали ее собственную вселенную. Видео сделали с помощью инструмента Unreal Engine, а для создания кадров использовали виртуальные камеры.
Функция расширения kotlin
#kotlin
Kotlin дает программисту возможность добавлять больше функциональности к существующим классам, не наследуя их . Это достигается с помощью функции, известной как расширения . Когда функция добавляется в существующий класс, она называется расширением функции .
Чтобы добавить функцию расширения к классу, определите новую функцию, добавленную к имени класса, как показано в следующем примере:
#kotlin
Kotlin дает программисту возможность добавлять больше функциональности к существующим классам, не наследуя их . Это достигается с помощью функции, известной как расширения . Когда функция добавляется в существующий класс, она называется расширением функции .
Чтобы добавить функцию расширения к классу, определите новую функцию, добавленную к имени класса, как показано в следующем примере: