سلام دوستان روز بخیر
ویدیو جدید پلی لیست Pyqt6 آپلود شد
قسمت : 20
موضوع : QTableWidget - نمایش اطلاعات در جدول
امیدوارم که مفید بوده باشه
میتونین از لینک زیر تماشا کنین
https://youtu.be/NIrjkCjrqXo

سلام دوستان روز بخیر
ویدیو جدید پلی لیست FastApi آپلود شد
قسمت : 4
موضوع : Status Code ها
امیدوارم که مفید بوده باشه
میتونین از لینک زیر تماشا کنین

https://youtu.be/inOrP0RM3xI

https://www.kaggle.com/c/ultra-mnist/overview

مسابقه کگل برای تشخیص اعداد
جایزه هاشم ۳ تا RTX 3080 هست 🤩

- Top-3 prizes will be RTX 3080 Ti GPUs sponsored by NVIDIA
- Top innovative solutions will get a chance to co-author a paper with researchers from Transmute AI Lab, IIT Dhanbad, India

اینم هواستون باشه ک فقط تا ۲۶ روز دیگه وخت دارید

البته اینم متذکر بشم ک ی تعداد قوانینی گذاشتن ک مسابقه رو زیادی سخت کرده :))))
دیتاستش هم زیاد ساده نیست(UltaMNIST)

@raspberry_python

✔️ آقای Yury Selivanov
ایشون یکی دیگه‌ از core developerهای پرکار پایتون هستن، که عمده فعالیت‌شون برای این PEP‌ها بوده:

PEP 492
- async and await syntax
- async with
- async for
- coroutine object

PEP 525
- async generators
- async iteration protocol

PEP 530
- async comprehensions
- await in comprehensions

PEP 654
- ExceptionGroups and except*

ایشون یکی از founderهای EdgeDB هم هستن.
EdgeDB: A New Kind Of Database.
اج‌دی‌بی یکی از جدیدترین انواع دیتابیس هست که:
- زبان کوئری خودش رو داره
- سیستم تایپ (type system) خودش رو داره
- مجموعه‌ای از ابزار‌ها و قراردادهای خودش رو داره

EdgeDB under the hood:
- fully open-source
- built on Postgresql
- asynchronous core
- fast queries
- ...

توضیح مفصل راجع به این دیتابیس در اینجا

#پایتون_سازا :)

Details: Wednesday, March 23rd, 2022 at 2 PM ET / 11 AM PT

Featured speakers:
- Jon Francis, Chief Data & Analytics Officer at Paypal
- Gokula Mishra, VP of Data Science at Direct Supply
- Mark Stern, VP of Business Intelligence & Analytics at BetMGM
- Chris Ling, Director of Data Platform & Analytics at Kolibri Games


حواستون باشه اون ساعت ۱۱ ک اونجا نوشته حدود ۱۰ و نیم ساعت از ما عقب تره

برای ثبت نام در کنفرانس

@raspberry_python

سوال:

همانطور که در عکس میبینید،‌ یک لیست از اعداد رندوم داریم و یه لیست هم داریم که مرتب شده ی اون لیست هست. روی این دو iteration انجام دادیم. به نظر شما کدام گزینه صحیح هست؟

خب بریم ببینیم چرا اون لیست اولیه که sort نشده بود سریع تر بود:

ما یه لیست داریم که توش ۱ میلیون اعداد رندوم که بین هزار تا ۱۰ میلیون قرار داره، وجود داره.
وقتی این اعداد دارن داخل مموری ساخته میشن آدرس هایی از مموری که پشت هم هستن، بهشون تعلق میگیره، مثلا: (سمت چپ آدرس های مموری - سمت راست خود اعداد)
100....131 —> 34225
100....132 —> 775325
100....133 —> 1031
...
وقتی ما لیست رو به اون روش sort میکنیم چه اتفاقی میفته ؟ "رفرنس" ها جاشون عوض میشه. آبجکت های جدید ساخته نمیشه. تستش بکنیم:
lst = ['b', 'a', 'c']
for i in lst:
print(i, id(i))
print("------------------------------")
for i in sorted(lst):
print(i, id(i))
این تا اینجا.

حالا ما چیو تست گرفتیم؟ iteration روی این دو لیست رو.
وقتی cpu داره از ابتدا شروع میکنه به گرفتن آیتم ها، توی لیست اولیه با آدرس های متوالی از مموری طرف هست. یعنی آیتم اولی رو که گرفت، آیتم دومی بغل گوشش هست میگیره... ولی توی لیست دوم وقتی آیتم اول رو گرفت، آیتم بعدی ممکنه هزار تا خونه اونور تر باشه توی مموری.

حالا دقیقا چی میشه که کند میشه؟
جواب: Cache misses.

(این یه مثال کاملا ساده شده بدون پیچیدگی های موجود هست)
ریل های قطار رو در نظر بگیرید که از یه جایی به بعد دو شاخه میشن و هر شاخه یه مسیر جدا رو میره. فرض کنید شما مسئول این هستید که قطار رو به مسیر درستش هدایت کنید.
همچنین فرض کنید از قبل به شما برنامه ای ندادن که فلان قطار باید چه مسیری بره. حالا چیکار میکنید ؟

دو تا راه دارید: یا هر قطاری که اومد نگهش دارید و ازش بپرسید کدوم سمت میره تا وصلش کنید بهش... یا اینکه چپ و راست رفتنش رو حدس بزنید....
قطار ها باری هستن و بسیار سنگین... هزینه ی سنگینی باید بدیم تا قطار هارو وایسونیم و هزینه ی سنگینی باید بدیم تا دوباره شروع به حرکت کنن.

میایم گزینه دوم رو انتخاب میکنیم... اگه درست گفتیم که خیلی عالی اگه غلط گفتیم چی؟ مسیر و اشتباه میره بعد قطار وایمیسته مجبوره برگرده اون مسیر رو و مسیر درست رو بره...

این اتفاقی هست که داره توی cpu میفته و با نام Branch Prediction میشناسنش. امروزه cpu ها با توجه به الگوریتم هایی که دارن بیشتر از این که اشتباه پیشبینی کنن ، درست پیشبینی میکنن پس خیلی میتونن optimize تر عمل کنن ولی خب همچنان cache miss وجود داره مخصوصا توی الگوی رندوم و این میشه که کند تر میشه.