Поиск.
Найдено: 1 модель и 20 материалов
Нейросети
Весь каталог
Материалы
Как подключить Groq API к Python и проверить первый Chat Completion
Установка Groq SDK, безопасный API-ключ, первый запрос из Python и проверка content, finish_reason, model и usage на реальном ответе.
Как запустить модель Replicate API из Python и сохранить результат
Практический запуск модели Replicate из Python: токен в окружении, replicate.run, проверка FileOutput и сохранение файла без выдуманных параметров.
Как запустить ONNX-модель через InferenceSession в Python
Минимальная нейросетевая операция в ONNX Runtime: создание проверяемой модели Add, InferenceSession, float32-вход и точный ожидаемый массив.
Почему dspy.context не меняет модель внутри стороннего Python-потока
Объясняем границу контекста DSPy: локальная подмена LM, возврат глобальной модели и поведение нового потока.
Как создать первого AI-агента LangChain на Python и проверить ответ
Минимальный create_agent в LangChain 1.x: provider:model, системная инструкция, сообщения и тест ответа без фиктивных инструментов.
Как подключиться к LanceDB из Python: локально, object storage или Enterprise
Выбор URI LanceDB для локального каталога, S3/GCS/Azure и Enterprise, безопасные credentials, список таблиц и проверка подключения.
Как создать коллекцию Weaviate через Python Client v4
Явная схема коллекции Weaviate: правила имён, Property, DataType, vector_config, отключение auto-schema и проверка конфигурации.
Как использовать I/O Binding ONNX Runtime на CPU
I/O Binding в Python на CPU: OrtValue из NumPy, bind_ortvalue_input, bind_output, run_with_iobinding и точная проверка результата.
Как посчитать gradient для каждого примера через jax.vmap и grad
Per-example gradients без Python-loop в JAX 0.11.2: vmap(grad), PyTree batch-axis и проверка среднего против batch loss.
Как повторить фиксированные шаги обучения через jax.lax.fori_loop
Пять функциональных обновлений параметра через lax.fori_loop в JAX 0.11.2 и проверка против Python-loop.
Как эмулировать ответ AI API в Python-тесте без сетевого запроса
Проверяем обработку ответа AI API через unittest.mock: успешный JSON, сломанное тело и отсутствие реального сетевого вызова.
Как кешировать pip-зависимости AI-тестов через actions/setup-python
Пошаговая настройка кеша pip для тестов AI-проекта: requirements.txt, cache pip, воспроизводимая установка и диагностика.
Как использовать Code Interpreter в OpenAI API для CSV и получить файл результата
Анализ CSV через Code Interpreter: контейнер, загрузка файла, Python-расчёт, ссылки на артефакты и ручная проверка итогов.
Как отправить первый запрос в Mistral API через официальный Python SDK
Практическое руководство: рабочий пример, структура ответа, ограничения, негативные тесты и проверка результата для запроса «как подключить Mistral API».
Как подключить Cohere Chat API V2 на Python
Практическое руководство по запросу «как подключить Cohere API»: реальные параметры Cohere API, рабочий код, ограничения и измеримая проверка результата.
Как исключить bias из weight decay через Optax
Optax 0.2.6: маска add_decayed_weights применяет decay к kernel и оставляет bias без изменения.
Как использовать Huber loss в Optax для регрессии с выбросами
Optax 0.2.6: Huber loss квадратичен около нуля и линеен после delta; проверяем ошибки 0,5 и 2.
Как использовать sigmoid focal loss в Optax
Optax 0.2.6: focal loss для logits 0 и labels 0/1 при gamma=2; проверка симметричного базового значения.
Как ограничить gradient каждого примера через Optax
Optax 0.2.6: per_example_global_norm_clip отдельно ограничивает batch-градиенты и возвращает их сумму и число clipping-событий.
Как накапливать gradients через Optax MultiSteps
Optax 0.2.6: MultiSteps усредняет два microbatch-gradient и обновляет SGD только на каждом втором вызове.