так, последнее это было AVX-векторизация, перед этим был рефакторинг, перед этим было добавление прддержки аргументов командной строки, перед этим -- генерация новой сцены, перед этим -- рефакторинг

питон очень практичный, вон новая версия вышла. Теперь дебажить принтами стало еще удобнее

но я в отпуске и это мой хобби-ппоект на расте

хк, мне компрехейшн ващен е понравился0

мне filter (>10) . map \x -> x + 5 $ [1,2,3] понятнее

как будто что-то плохое)

Даю.

        if inputs.get_shape().ndims == 2:
            result = tf.matmul(inputs, weight)
        else:
            reshaped_inputs = tf.reshape(inputs, [-1, input_dim])
            result = tf.matmul(reshaped_inputs, weight)
            result = tf.reshape(result, tf.pack(tf.unpack(tf.shape(inputs))[:-1] + [output_dim]))

        if biases:
            result = tf.nn.bias_add(
                result,
                lib.param(
                    name + '.b',
                    np.zeros((output_dim,), dtype='float32')
                )
            )
        return result

Да, не 4 строчки (а чуть больше), но победить этот код мне удалось только тогда, когда я начал выписывать на листочке все промежуточные тензоры и их типы и размеры. Только после этого код заработал.

Маломальский статический анализ позволил бы мне понять, где конкретно разъехались типы и размерности, и исправить код значительно быстрее.

а как в помпрехейшн сделать я сходу даж не впомню

рефакторинг это не задача

это побочный эффект

для него приличные люди даже не заводят тикетов (за исключением редких случаев)

нет, это задача. Есть цель -- упростить разработку для меня. Есть метод достижения цели -- рефакторинг. Задача -- воспользоваться методом по достижению цели.

нормальные люди рефакторят в процессе запила чего-то полезного

что-то типа [x | x <- x + 1 | x <- [1,2,3], x > 10]

        if inputs.get_shape().ndims == 2:
            result = tf.matmul(inputs, weight)
        else:
            reshaped_inputs = tf.reshape(inputs, [-1, input_dim])
            result = tf.matmul(reshaped_inputs, weight)
            result = tf.reshape(result, tf.pack(tf.unpack(tf.shape(inputs))[:-1] + [output_dim]))

        if biases:
            result = tf.nn.bias_add(
                result,
                lib.param(
                    name + '.b',
                    np.zeros((output_dim,), dtype='float32')
                )
            )
        return result

а что тут не работает?

мне пришлось щас 2 минуты гуглить чтобы это  написать

нормальные люди не коммитят изменения 80% проекта вместе с фичей

хз, мне не нравится

если фича требует, то коммитят