Pavel Tišnovský

Se serializačním formátem nazvaným MessagePack jsme se již na stránkách Roota jednou setkali. Dnes si ukážeme, jak se tento formát používá v jazyku Python, a to včetně serializace N-dimenzionálních polí knihovny NumPy.

Billu Gatesovi se připisuje výrok „640K ought to be enough for anybody“, který ovšem pravděpodobně nikdy neřekl. Na počítačích IBM PC se skutečně dlouhou dobu bojovalo s omezenými možnostmi adresování většího paměťového rozsahu.

Dnes se budeme zabývat těmi novými instrukcemi, které byly přidány do třetí generace mikroprocesorů rodiny 80×86, tj. konkrétně do čipů Intel 80386 (a posléze i Intel 80486). Prozatím se zaměříme především na reálný režim.

Většina příkladů, které jsme si až doposud ukazovali, využívala pouze instrukce a registry dostupné na původních mikroprocesorech 8086 a 8088. Ovšem možnosti instrukčních sad se postupně s příchodem dalších čipů řady x86 rozšiřovaly.

V dnešním článku dokončíme popis vlastností tenzorů. Ukážeme si, jaké operace je možné s tenzory provádět, ať již se jedná o operace prováděné prvek po prvku, o takzvaný broadcasting nebo o komplikovanější činnosti.

Budeme se zabývat velmi často řešenou úlohou: analýzou, zda je předložený text spam nebo se jedná o jiný typ textu (ham). Při vektorizaci textu využijeme takzvané n-gramy.

Dnes si vysvětlíme algoritmy pro vektorizaci jazykového korpusu, což je proces, při kterém se z jednotlivých textových dokumentů (každý dokument je představován řetězcem) konstruuje matice s numerickými hodnotami.

Při programování IBM PC je třeba zajistit volání nějakého podprogramu v pravidelných intervalech. Realizace formou čekacích smyček je většinou nepraktická, proto je výhodnější využít časovač představovaný čipem 8253.

V článcích o scikit-learn jsme se zabývali zpracováním a predikcí numerických dat. Ovšem v praxi je zapotřebí pracovat i s dokumenty psanými v přirozeném jazyce. I v takových případech najde scikit-learn své využití.

Vysvětlíme si, jak jsou tenzory uloženy v paměti počítače nebo TPU. Taktéž si ukážeme získání pohledu (view) na tenzor a následně si popíšeme i různé operace, které je možné s tenzory provádět jako s celkem.

Začneme se zabývat knihovnou PyTorch, která je poměrně intenzivně využívána v oblasti strojového učení (machine learning) a zejména pak hlubokého učení (deep learning).

Součástí standardní knihovny jazyka Go je mj. i balíček net/http, který umožňuje tvorbu HTTP klientů i serverů. V Go verze 1.22 došlo k vylepšení možností tohoto balíčku, které umožňují tvořit webové služby s REST API.