👣 Подборка бесплатных курсов по Rust

1. Exercism
2. Rustlings
3. Rustfinity
4. Microdoft: Beginner's Series to Rust

Полный список курсов

@rust_code

💻rbatis — набор инструментов SQL и компилируемая ORM-библиотека на Rust

rbatis — это высокопроизводительный инструментарий SQL и компилируемая ORM-библиотека.
Асинхронный, чистый SQL-крейт Rust, поддерживающий динамический SQL с компиляцией.

🖥 GitHub
🟡 Доки

@rust_code

👣 New userspace Wireguard implementation written in Rust, forked from Cloudflare's Boringtun

https://github.com/cableguard/altuntun

@rust_code

👣 Rust лучшие БЕСПЛАТНЫЕ книги и курсы для изучения языка в 2024 году!

В этом ролике мы разыгрываем 3 крутых книги по RUST, нужно всего лишь оставить любой осмысленный коммент и лайк и быть подписанным на наш канал!

https://www.youtube.com/watch?v=3IxZbnozp8c

@rust_code

👣 Show HN: 30ms latency screen sharing in Rust

https://github.com/bitwhip/bitwhip

@rust_code

🖥 Tach

Крутой и полезный инструмент: контроля вызова модулей и зависимостей для Python, напсианная на Rust.

С помощью Tach вы можете управлять тем, какие модули Python полагаются на какие другие. Чтобы избежать жесткой зависимости, модули также могут указывать общедоступный интерфейс.
В результате получается модульная, разделенная конструкция, которая упрощает разработку и обслуживание.

Любая попытка одного модуля импортировать другой, который явно не объявлен как зависимость, приведет к сообщению об ошибке от Tach. Когда для модуля установлен «строгий режим», Tach выдаст ошибку, если другой модуль попытается импортировать из него без использования его общедоступного интерфейса.

1. Он может показать что откуда кого вызывает и обращается в масштабе проекта, например (особенно, если он чужой)
2. Для CI процесса важно проверить перед деплоем, все ли ок, эта штука помогает это сделать
3. Контроль при коллективной разработке. Ставите ограничения на main например и фиг кто добавит в вызовы туда лишнее

pip install tach

▪ Github

@pythonl

👣 Cake — это фреймворк на Rust, разработанный для распределенного вывода LLMтипа LLama3 (70B+).

Его цель — сделать большие языковые модели доступными путем объединения потребительских устройств в гетерогенный кластер, включающий iOS, Android, macOS, Linux и Windows. Это позволяет эффективно использовать устаревающие устройства, делая ИИ более доступным и демократичным.

Cake распределяет блоки трансформеров среди нескольких устройств, что делает возможным вывод моделей, превышающих ограничения памяти отдельных GPU-устройств.

Фреймворк настраивается как для рабочих, так и для главных узлов с REST API, совместимым с OpenAI, для управления задачами распределенного вывода. Конфигурационные файлы определяют топологию, назначая слои модели конкретным рабочим узлам, что обеспечивает эффективное распределение ресурсов в кластере.

**Ключевые особенности:**

* Распределенный вывод крупных моделей
* Гетерогенный кластер устройств
* Настраиваемые рабочие и главные узлы
* Совместимость с REST API OpenAI
* Оптимальное распределение ресурсов

На видео энтузиаст запускает Llama3 8B на собственном кластере, состоящем из, iPad Pro, MacBook Pro, iPhone 15 Pro Max, NVIDIA GeForce 3080 и 2x NVIDIA Titan X Pascal.

🔗 Github

@rust_code