На модель: Тонкая настройка и хостинг Hugging Face BERT моделей на Amazon SageMaker

Содержание

Тонкая настройка и хостинг Hugging Face BERT моделей на Amazon SageMaker

Оригинал статьи: ссылка (Eddie Pick, Senior Startup Solutions Architect и Dhawalkumar Patel, Startup Senior Solutions Architect)

Несколько лет назад начала расти популярность архитектуры deep-learning нейронных сетей «трансформер» для построения моделей обработки естественных языков (NLP). Адаптация архитектуры «трансформер» в таких моделях, как BERT, RoBERTa, T5, GPT-2 и DistilBERT, превосходит предыдущие модели NLP в широком круге задач, таких как классификация текста, ответы на вопросы, обобщение и генерация текста. Эти модели экспоненциально увеличивались в размерах от нескольких миллионов параметров до нескольких сотен миллиардов параметров. По мере увеличения числа параметров модели увеличивается и вычислительная инфраструктура, необходимая для обучения этих моделей.

Для обучения и оптимизации подобных моделей требуется значительное количество времени, навыков и вычислительных ресурсов.

К сожалению, эта сложность не позволяет большинству организаций эффективно использовать эти модели, либо они не используют их вообще. Не было бы продуктивнее, если бы вы могли начать с предварительно обученной версии и сразу же приступить к работе? Это бы также позволило вам тратить больше времени на решение бизнес-задач.

В этом посте показано, как использовать Amazon SageMaker и Hugging Face для тонкой настройки предварительно обученной модели BERT и развертывания ее в качестве конечной точки управляемого вывода в SageMaker.

Общие сведения

Hugging Face — это технологический стартап с активным open source сообществом, который способствовал внедрению моделей на основе трансформеров во всем мире. Ранее в этом году было объявлено о сотрудничестве между Hugging Face и AWS, чтобы компаниям было проще использовать модели машинного обучения (ML) и быстрее получать модели с современными возможностями обработки текстов. В рамках этого сотрудничества Hugging Face использует AWS в качестве предпочтительного поставщика облачных сервисов для предоставления сервисов своим клиентам. В числе готовых моделей в репозитории Hugging Face есть и большое количество моделей на русском языке.

Чтобы помочь нашим общим клиентам начать работу, Hugging Face и AWS представили новые контейнеры глубокого обучения Hugging Face (DLC), которые упрощают обучение и развертывание моделей с использованием трансформеров Hugging Face на SageMaker. DLC полностью интегрированы с библиотеками распределенного обучения SageMaker для более быстрого обучения моделей с использованием Accelerated Computing инстансов последнего поколения, доступных в Amazon Elastic Compute Cloud (Amazon EC2). С SageMaker Python SDK вы можете обучать и развертывать свои модели с помощью одной строчки кода, что позволяет вашим командам быстрее перейти от идеи к работающему решению. Чтобы развернуть модели Hugging Face в SageMaker, вы можете использовать DLC Hugging Face с новым Hugging Face Inference Toolkit. С новыми Hugging Face Inference DLC вы можете развернуть свои модели для инференса с помощью еще одной строчки кода или выбрать из более чем 10 000 предварительно обученных моделей, включая модели с поддержкой русского языка, доступных в Hugging Face Hub, и развернуть их с помощью SageMaker, чтобы легко создавать готовые к использованию конечные точки, которые легко масштабируются с помощью встроенных средств мониторинга и безопасности корпоративного уровня.

Одной из самых больших проблем, с которыми сталкиваются специалисты по обработке данных в проектах NLP, является нехватка обучающих данных; для обучения модели часто используется всего несколько тысяч примеров текстовых данных с проставленными людьми метками. Однако современные задачи NLP с глубоким обучением требуют большого количества размеченных данных. Одним из способов решения этой проблемы является использование трансферного обучения. Трансферное обучение — это метод машинного обучения, при котором предварительно обученная модель, например, предварительно обученная модель ResNet для классификации изображений, используется повторно в качестве отправной точки для другой, но связанной проблемы. Повторное использование параметров из предварительно обученных моделей позволяет значительно сэкономить время и затраты на обучение. Модель BERT была обучена на данных BookCorpus и английской Википедии, которые содержат 800 млн слов и 2500 млн слов соответственно. Обучение BERT с нуля было бы непомерно дорого. Воспользовавшись преимуществами трансферного обучения, вы можете быстро настроить BERT для другого варианта использования с относительно небольшим объемом обучающих данных, чтобы получить самые продвинутые результаты для типичных задач NLP, таких, как классификация текстов и ответы на вопросы.

В этом посте мы покажем вам, как использовать DLC SageMaker Hugging Face, сделать тонкую настройку предварительно обученной модели BERT и развернуть её в SageMaker как управляемую конечную точку HTTP для инференса.

Работа с моделями Hugging Face в SageMaker

В этом примере используются трансформеры и датасеты от Hugging Face вместе с SageMaker для тонкой настройки предварительно обученной модели на базе трансформеров для бинарной классификации текста и развертывание этой модели для инференса.

Для демонстрации здесь используется модель DistilBERT — небольшая, быстрая, дешевая и легкая модель на основе трансформеров и архитектуре BERT. Дистилляция знаний в ней была сделана на этапе предварительного обучения, чтобы уменьшить размер модели BERT на 40%. Заранее обученная модель доступна в библиотеке

transformers из Hugging Face.

Вы доработаете эту предварительно обученную модель с помощью датасета Amazon Reviews Polarity, который содержит около 35 миллионов отзывов от клиентов Amazon, и сможете классифицировать отзыв как положительный или отрицательный. Отзывы были собраны в 1995—2013 годах и включают информацию о продукте и пользователях, рейтинги и текстовые комментарии. Он доступен как датасет amazon_polarity на Hugging Face.

Подготовка данных

В этом примере подготовка данных проста, поскольку непосредственно из Hugging Face вы используете библиотеку datasets для загрузки и предварительной обработки датасета amazon_polarity.

Ниже приведен пример данных:

dataset_name = 'amazon_polarity'

train_dataset, test_dataset = load_dataset(dataset_name, split=['train', 'test'])
train_dataset = train_dataset.shuffle().select(range(10000)) # We're limiting the dataset size to speed up the training during the demo
test_dataset = test_dataset.shuffle().select(range(2000))

Метка 1 означает положительный отзыв, а 0 — отрицательный отзыв. Ниже приведен пример положительного отзыва:

{'content': 'Little Slow on Review.. I only get to read at Dr Appts and other type breaks in day.Worth the read and I can understand mind set of why book is popular in war zones.I would suggest it to anyone that enjoys military reading..',
 'label': 1,
 'title': 'Soild Number 1 Book In Iraq and Afganastan'}

Ниже приведен пример негативного отзыва:

{'content': 'I just received and needs a couple more clicks on my head to fit correct. And if I try to turn dial to tighten, the release is on top of dial and I keep pressing it and it gets loose again. I dont know why they designed it with points on the dial. It starts to hurt my thumb if I try to tighten. I bought this cause the light weight but sticker on helmet says 298 g the description says 255. This sucks..',
 'label': 0,
 'title': 'Feels heavy.'}

Как показано на следующей визуализации, набор данных уже хорошо сбалансирован и дальнейшая предварительная обработка не требуется.

Модели на основе трансформеров в целом, и BERT и DistilBERT в частности, используют токенизацию. Это означает, что слово может быть разбито на одно или несколько подслов, на которые ссылается словарь модели. Например, предложение «Меня зовут Мария» обозначается как

[CLS] Меня зовут Мари # #я [SEP], которое представлено вектором [101, 1422, 1271, 1110, 27859, 2328, 102]. Hugging Face предоставляет серию предварительно обученных токенизаторов для разных моделей.

Чтобы импортировать токенизатор для DistilBERT, используйте следующий код:

tokenizer_name = 'distilbert-base-cased'
tokenizer = AutoTokenizer.from_pretrained(tokenizer_name)

Этот токенизатор используется для токенизации тренировочного и тестового датасетов, а затем конвертирует их в формат PyTorch, используемый во время обучения. См. следующий код:

# Helper function to get the content to tokenize
def tokenize(batch):
    return tokenizer(batch['content'], padding='max_length', truncation=True)

# Tokenize
train_dataset = train_dataset.map(tokenize, batched=True, batch_size=len(train_dataset))
test_dataset = test_dataset.map(tokenize, batched=True, batch_size=len(test_dataset))

# Set the format to PyTorch
train_dataset.rename_column_("label", "labels")
train_dataset.set_format('torch', columns=['input_ids', 'attention_mask', 'labels'])
test_dataset.rename_column_("label", "labels")
test_dataset.set_format('torch', columns=['input_ids', 'attention_mask', 'labels'])

После обработки данных вы загружаете их в Amazon Simple Storage Service (Amazon S3) для обучения:

import botocore
from datasets.filesystems import S3FileSystem

# Upload to S3
s3 = S3FileSystem()
s3_prefix = f'samples/datasets/{dataset_name}'
training_input_path = f's3://{sess.default_bucket()}/{s3_prefix}/train'
train_dataset.save_to_disk(training_input_path,fs=s3)
test_input_path = f's3://{sess.default_bucket()}/{s3_prefix}/test'
test_dataset.save_to_disk(test_input_path,fs=s3)

print(f'Uploaded training data to {training_input_path}')
print(f'Uploaded testing data to {test_input_path}')

Обучение с помощью Hugging Face Estimator

Вам нужен Hugging Face Estimtor, чтобы создать Training Job в SageMaker. Estimator полностью берет на себя процесс обучения в SageMaker. В Estimator вы определяете, какой скрипт тонкой настройки следует использовать как entry_point, какой instance_type следует использовать и какие гиперпараметры нужно передать.

Гиперпараметры могут быть следующими:

  • Количество эпох
  • Размер пакета
  • Название модели
  • Название токенизатора
  • Выходной каталог

Скрипт обучения использует имя модели и название токенизатора для загрузки предварительно обученной модели и токенизатора из Hugging Face:

huggingface_estimator = HuggingFace(entry_point='train.py',
                            source_dir='./scripts',
                            instance_type='ml.p3.2xlarge',
                            instance_count=1,
                            role=role,
                            transformers_version='4.6.1',
                            pytorch_version='1.7.1',
                            py_version='py36',
                            hyperparameters = hyperparameters)

Когда вы создаете Training Job в SageMaker, SageMaker позаботится о следующем:

  • Запуск и управление всеми необходимыми вычислительными инстансами с помощью контейнера huggingface
  • Загрузка предоставленного скрипта тонкой настройки train.py
  • Загрузка данных из sagemaker_session_bucket в контейнер в каталог /opt/ml/input/data

Затем он запускает Training Job, выполнив следующую команду:

/opt/conda/bin/python train.py --epochs 10 --model_name distilbert-base-cased --token_name distilbert-base-cased--train_batch_size 1024

Гиперпараметры, заданные в Estimator, передаются как именованные аргументы.

SageMaker предоставляет полезные возможности по настройке среды обучения с помощью различных переменных среды, включая следующие:

  • SM_MODEL_DIR — Строка, представляющая путь, по которому обучающее задание записывает артефакты модели. После обучения артефакты из этого каталога загружаются в Amazon S3, для того чтобы после модель можно было где-то разместить.
  • SM_NUM_GPUS — Целое число, представляющее количество графических процессоров, доступных для хоста.
  • SM_CHANNEL_XXXX — Строка, представляющая путь к каталогу, содержащему входные данные для указанного канала. Например, если в вызове функции fit объекта Estimator указать два входных канала, называемых train и test, будут установлены переменные окружения SM_CHANNEL_TRAIN и SM_CHANNEL_TEST.

Начните тренировку с помощью функции fit:

huggingface_estimator.fit({'train': training_input_path, 'test': test_input_path}, wait=False, job_name=training_job_name )

По завершении обучения метрики можно нарисовать на графике.

Архитектура для разворачивания модели Hugging Face на SageMaker для инференса

Hugging Face Inference Toolkit for SageMaker — это библиотека с открытым исходным кодом для разворачивания моделей Hugging Face на основе трансформеров на SageMaker. В нем используется SageMaker Inference Toolkit для запуска сервера с моделью, который отвечает за обработку запросов на инференс. SageMaker Inference Toolkit использует Multi Model Server (MMS) для разворачивания ML. Он загружает MMS с конфигурацией и настройками, которые делают его совместимым с SageMaker и позволяют вам настраивать важные параметры производительности, такие как количество обработчиков на модель, в зависимости от потребностей вашего сценария.

MMS — это фреймворк с открытым исходным кодом для разворачивания ML моделей с гибким и простым в использовании инструментом для разворачивания моделей глубокого обучения, обученных с использованием любого фреймворка ML/DL. Вы можете использовать CLI для сервера MMS или предварительно настроенные образы Docker для запуска службы, которая настраивает конечные точки HTTP для обработки запросов на инференс моделей. Он также предоставляет подключаемый бэкэнд, который поддерживает подключаемый пользовательский бэкенд-обработчик, в котором вы можете реализовать свой собственный алгоритм.

Вы можете развернуть тонко настроенные или предварительно обученные модели с DLC Hugging Face на SageMaker, используя Hugging Face Inference Toolkit для SageMaker без необходимости написания каких-либо пользовательских функций инференса. Вы также можете настроить инференс, предоставив свой собственный скрипт для инференса и переопределяя методы по умолчанию в HuggingFaceHandlerService. Это можно сделать, переопределяя методы input_fun (), output_fn (), predict_fn (), model_fn () или transform_fn ().

На следующей диаграмме показана анатомия конечной точки инференса SageMaker Hugging Face.

Как показано в архитектуре, MMS слушает порт, принимает входящий запрос на инференс и перенаправляет его процессу Python для дальнейшей обработки. В MMS используется фронтенд сервер на базе Java, который использует инфраструктуру клиентского сервера NIO под названием Netty. Платформа Netty обеспечивает лучшую пропускную способность, меньшую задержку и меньшее потребление ресурсов, минимизирует ненужные копии в памяти и позволяет использовать гибко настраиваемую модель потоков — один поток или один или несколько пулов потоков. Можно точно настроить конфигурацию MMS, включая количество потоков Netty, количество рабочих процессов на модель, размер очереди заданий, время ожидания ответа, конфигурацию JVM и т. д., изменив файл конфигурации MMS. Дополнительные сведения см. в разделе Расширенная настройка.

MMS перенаправляет запрос на инференс в обработчик по умолчанию, предоставленный SageMaker Hugging Face, или в пользовательский скрипт. Обработчик по умолчанию SageMaker Hugging Face использует Hugging Face pipeline abstraction API для выполнения предсказаний для моделей с использованием соответствующей базовой платформы глубокого обучения, а именно PyTorch или TensorFlow. В зависимости от типа настроенного инстанса EC2, конвейер использует устройства CPU или GPU для выполнения инференса и возврата ответа клиенту через фронтенд сервер MMS. Вы можете настроить переменные среды для точной настройки SageMaker Hugging Face Inference Toolkit. Кроме того, вы можете точно настроить стандартную конфигурацию Hugging Face.

Разворачивание тонко настроенной модели BERT для инференса

Чтобы развернуть вашу тонко настроенную модель для инференса, выполните следующие шаги:

1. Определите модель Hugging Face, используя следующий код:

from sagemaker.huggingface.model import HuggingFaceModel

# create Hugging Face Model Class
huggingface_model = sagemaker.huggingface.HuggingFaceModel(
env={ 'HF_TASK':'sentiment-analysis' },
model_data=huggingface_estimator.model_data,
role=role, # iam role with permissions to create an Endpoint
transformers_version="4.6.1", # transformers version used
pytorch_version="1.7.1", # pytorch version used
py_version='py36', # python version
)

2. Разверните конечную точку инференса для этой тонко настроенной модели:

# deploy model to SageMaker Inference
predictor = huggingface_model.deploy(
initial_instance_count=1,
instance_type="ml.g4dn.xlarge"
)

3. После развертывания, проверьте модель с помощью следующего кода:

data = {
"inputs": "This is a very good product!"
}

# request
predictor.predict(data)

Результатом является положительный (LABEL_1) для 99.88%.

Полностью решение доступно в репозитории GitHub.

Очистка

После завершения экспериментов с этим проектом запустите predictor.delete_endpoint(), чтобы удалить конечную точку.

Заключение

В этом посте показано, как тонко настроить предварительно обученную модель на базе трансформеров посредством датасета с помощью SageMaker Hugging Face Estimator, а затем разместить ее на SageMaker с помощью инструментария SageMaker Hugging Face Inference Toolkit для инференса в реальном времени. Мы надеемся, что этот пост позволит вам быстро настроить модель на базе трансформеров с собственным датасетом и внедрить современные методы NLP в свои продукты. Полное решение доступно в репозитории на GitHub. Попробуйте и сообщите нам, что вы думаете в комментариях!

Использование элемента управления 3D object в Power Apps — Power Apps

  • Статья
  • Чтение занимает 3 мин
  • 1 участник

Были ли сведения на этой странице полезными?

Да Нет

Хотите оставить дополнительный отзыв?

Отзывы будут отправляться в корпорацию Майкрософт. Нажав кнопку «Отправить», вы разрешаете использовать свой отзыв для улучшения продуктов и служб Майкрософт. Политика конфиденциальности.

Отправить

В этой статье

Легко добавляйте интерактивный 3D-контент в свои приложения на основе холста. Вы можете выбрать из галереи 3D-контента, затем поверните и увеличьте модель простыми жестами.

Совет

Элементы управления смешанной реальности (СР) в Power Apps используют Babylon и Babylon React Native. Контент смешанной реальности, который работает в Песочнице Babylon, должен работать в Power Apps через эту общую платформу смешанной реальности. Если ваше содержимое работает в Babylon, но не в Power Apps, задайте вопрос на форуме сообщества Power Apps. (Отметьте его как «смешанная реальность».)

Добавление элемента управления 3D object на экран приложения

С вашим приложением, открытым для редактирования в Power Apps Studio:

  1. Откройте вкладку Вставить и разверните Мультимедиа.
  2. Выберите элемент управления 3D object, чтобы разместить его на экране приложения, или перетащите элемент управления на экран, чтобы расположить его более точно.

Свойства ключа

Измените поведение и внешний вид элемента управления трехмерным содержимым с помощью свойств. Некоторые свойства доступны только на вкладке Дополнительно.

Свойство Описание Тип Местонахождение
Источник Идентифицирует объектный файл для отображения. Элемент управления 3D object поддерживает загрузку моделей из различных источников. Подробнее см. раздел Загрузка внешних 3D-моделей. Неприменимо Свойства; Дополнительно: Source
Alternative text Указывает текст, который будет отображаться, если модель не загружается или если пользователь наводит курсор на модель. Строка Свойства; Дополнительно: AltText
Background fill Устанавливает цвет фона для элемента управления. Цветоподборщик Свойства; Дополнительно: BackgroundFill (принимает шестнадцатеричные цветовые коды RGBA или HTML)
Pins(Items) Показывает маркеры на модели в определенных координатах, предоставленных в источнике данных (Items). Если None, маркеры не отображаются. Таблица данных Свойства; Дополнительно: Items
Show pins Отображение маркеров, описанных в пункте Items. Логический Свойства; Дополнительно: ShowPins
MaxPins Определяет максимальное количество маркеров, которые могут отображаться на модели. Целое Дополнительно
PinsX Указывает расположение маркеров на оси X в трехмерном координатном пространстве. Число с плавающей запятой Дополнительно
PinsY Указывает расположение маркеров на оси Y в трехмерном координатном пространстве. Число с плавающей запятой Дополнительно
PinsZ Указывает расположение маркеров на оси Z в трехмерном координатном пространстве. Число с плавающей запятой Дополнительно
Show reset button Показывает или скрывает кнопку, которая сбрасывает модель в исходное состояние. Логический Свойства; Дополнительно; ShowReset
OnModelLoad Содержит формулу поведения, которая запускается при загрузке модели. Событие Дополнительно
OnChange Содержит формулу поведения, которая запускается при изменении любого свойства элемента управления. Событие Дополнительно
OnSelect Содержит формулу поведения, которая запускается, когда пользователь выбирает маркер или элемент управления. Событие Дополнительно

Дополнительные свойства

Свойство Описание Тип Местонахождение
ContentLanguage Определяет язык отображения элемента управления, если он отличается от языка, используемого в приложении. Строка Дополнительно
DisplayMode Определяет, допускает ли элемент управления пользователю вводить данные (Edit), только отображает данные (View) или элемент вообще отключен (Disabled). Раскрывающийся список Дополнительно
Position Помещает левый верхний угол элемента управления в координаты экрана, указанные в x и y. Число с плавающей запятой Свойства; Дополнительно: X, Y
Size Определяет размер элемента управления, используя значения пикселей, указанные в Width (Ширина) и Height (Высота). Целое Свойства; Дополнительно: Width, Height
TabIndex Указывает порядок выбора элемента управления, если пользователь перемещается по приложению с помощью клавиши Tab. Целое Дополнительно
Tooltip Определяет текст, отображаемый при наведении курсора на маркер. Строка Дополнительно
Visible Показывает или скрывает элемент управления. Логический Свойства; Дополнительно: Visible

Замечания, связанные с быстродействием

Мы рекомендуем вам использовать один элемент управления 3D на экране для наилучшего взаимодействия с пользователем. Несколько экземпляров элемента управления 3D object на одном экране будут пытаться загрузить свои трехмерные модели одновременно, что может очень значительно снизить производительность приложения.

Другие элементы управления смешанной реальности

  • Просматривайте трехмерный контент и изображения в реальном мире с помощью элемента управления View in mixed reality.
  • Измерьте расстояние, площадь и объем с помощью элемента управления Measure in mixed reality.
  • Создавайте и просматривайте предварительно определенные трехмерные формы с помощью элемента управления View shape in mixed reality.

См. также

Создание приложения с помощью элементов управления 3D и mixed reality

Как грунтовать и окрашивать модели, напечатанные на 3D-принтерах (с видео)

Грунтовка

Грунтовка — это специальная краска, которая сильно прилипает к детали и обеспечивает равномерное сцепление краски с поверхностью. Существуют различные грунтовки, предназначенные для различных целей. Аэрозольная грунтовка — это лучший способ покраски деталей, напечатанных на 3D-принтере, так как она быстро покрывает поверхность равномерным слоем. Есть грунтовки и для нанесения кистью, но с ними сложно работать, и они лучше подходят для тонкой отделки. Для получения оптимальных результатов выбирайте совместимые с пластмассами грунтовку и краску от одного производителя. Нам нравятся марки Krylon и Montana (хотя они густые), но краска Tamiya не имеет аналогов — она формирует очень тонкий и равномерный слой, сохраняя все незначительные особенности поверхности.

Вращающийся инструмент

Иногда нужно закончить шлифовку быстро. Использование сменных насадок для вращающихся инструментов позволяет осуществлять шлифовку и полировку моделей различными способами. Барабан позволяет быстро шлифовать следы от поддерживающих конструкций, а стальная проволока хорошо чистит следы на ровных поверхностях. Вращающиеся инструменты предназначены для грубой очистки, поэтому вам понадобится наждачная бумага, чтобы сделать поверхность гладкой. Существует много отличных марок: в США популярны Dremel и Craftsman, а в Европе — Proxxon. Чтобы не обжечь свою модель, уменьшите обороты до минимума (обычно 500–1000) и не надавливайте на инструмент.

Плоские напильники

Эти инструменты не такие неуклюжие и неточные, как ручная шлифовальная машинка. Изящный инструмент… для более цивилизованной эпохи.

Плоский напильник — это один из самых простых, но при этом эффективных инструментов, который позволяет эффективно удалять поддерживающие структуры и шлифовать поверхности. Крепко держа его в руке, можно удалять следы с большей точностью, чем с помощью вращающегося инструмента. Держите проволочную щетку под рукой и регулярно очищайте полотно напильника (в противном случае в нем может застревать пластмасса и полимер). Как и вращающийся инструмент, плоский напильник оставляет шероховатую поверхность, поэтому его лучше использовать для удаления крупных недостатков.

Наждачная бумага

Наждачная бумага — самый неприглядный инструмент в мастерской. За последнее десятилетие она совершила настоящий прорыв благодаря выпуску гибких шлифовальных листов. Гибкие шлифовальные листы можно купить в хозяйственных магазинах. Они служат в 15 раз дольше, чем бумажные. Они не скручиваются, не прокалываются и не сгибаются, и их можно использовать влажными, что уменьшает количество пыли и предотвращает образование налета. Благодаря своей гибкости они легко достигают небольших внутренних пространств и округлых поверхностей.

Удаление пыли

Даже после шлифовки влажным инструментом остается небольшое количество пыли. Удаляйте налет водой и мягкой щеткой (для этих целей вполне подойдет старая зубная щетка). Для серьезной очистки можно взять недорогой ультразвуковой аппарат, который быстро удалит мелкие частицы, попавшие в углы и трещины на поверхности. Если вы работаете в регионе с жесткой водой, использование деионизированной или дистиллированной воды поможет предотвратить появление пятен между нанесением слоев.

Пылесборная салфетка

Пылесборная салфетка представляет собой кусочек мягкой и слегка липкой хлопчатобумажной ткани и предназначена для удаления оставшейся пыли и обеспечения чистой поверхности для покраски. Дайте вашей модели высохнуть, прежде чем использовать пылесборную салфетку: из-за вощеной поверхности ее эффективность на влажных поверхностях понижается.

Брусок, штифты и сверло

Эта маленькая хитрость избавит вас от неприятностей в окрасочной кабине (мы были в восторге, когда увидели эту технику в видеоролике с практическими рекомендациями Адама Сэвиджа). Установив модель на штифт (часто можно использовать уже готовое отверстие в детали), вы можете быстро маневрировать во время распыления и окрашивать модель со всех сторон, проникая в труднодоступные места и не оставляя отпечатков пальцев. Если вы хотите нанести на модель равномерный слой со всех сторон, это очень важно. Рекомендуем заказать штифты разных размеров. Чтобы сделать отверстие в детали минимальным, начните с малого размера и увеличивайте его, пока модель не будет установлена прочно. Просверлите соответствующее отверстие в деревянном бруске или ДСП и установите на нее модель с помощью дюбеля — теперь вам не придется удерживать модель руками во время распыления.

Средства защиты

Распыление краски предполагает работу с аэрозолями и растворителями, которые представляют опасность для здоровья. Обязательно используйте респиратор, одобренный Национальным институтом США по профессиональной безопасности и санитарии на производстве (NIOSH), и работайте в хорошо проветриваемом помещении. Во время покраски используйте нитриловые перчатки, чтобы краска не попадала на руки, а также чтобы не оставлять на модели отпечатки пальцев.

Запуск модели из ModelBuilder—Справка | ArcGIS for Desktop

Модели можно запускать из ModelBuilder или из диалогового окна инструмента модели, окна Python, либо в автономном скрипте. При запуске модели из ModelBuilder можно запустить всю модель либо ее отдельные процессы. При запуске процессов из ModelBuilder их выполнение можно отслеживать в диалоговом окне хода геообработки.

Есть три способа запуска моделей из ModelBuilder.

  1. Запуск одного инструмента — выберите один инструмент, щелкните его правой кнопкой мыши, затем нажмите кнопку Запустить (Run). При необходимости также запускаются более ранние процессы в цепочке. Более поздние процессы в цепочки не запускаются. Если до этого они имели состояние процесса «был выполнен» (has-been-run) их состояние меняется на «готов к выполнению» (ready-to-run).
  2. Запуск инструментов, готовых к выполнению — Нажмите кнопку Запустить (Run) в меню Модель (Model) или запустите инструмент на панели инструментов ModelBuilder. Запускаются все инструменты, находящиеся в состоянии «готов к выполнению» (ready-to-run).
  3. Запуск всей модели — Щелкните Запустить всю модель (Run Entire Model) в меню Модель (Model). Запускаются все инструменты, находящиеся в состоянии «готов к выполнению» (ready-to-run).

Чтоб происходит при запуске модели из ModelBuilder?

При запуске модели происходит следующее: проверяются все переменные модели и выполняются инструменты, имеющие состояние «готов к выполнению» (ready-to-run). Если какие-либо выходные переменные должны быть добавлены к изображению, выходные данные добавляются в таблицу содержания ArcMap. Инструменты, которые не имеют состояния «готов к выполнению» (ready-to-run) или зависят от инструмента, не готового к выполнению, не выполняются. Между запуском модели из ModelBuilder и запуском модели из диалогового окна ее инструмента есть некоторые ключевые различия. Если модель запускается из ModelBuilder, применимо следующее.

  • Во время между запусками модели сохраняются промежуточные данные. Эти данные также сохраняются при сохранении модели, ее закрытии и повторном открытии для редактирования. Если модели запускается из диалогового окна инструмента, промежуточные данные удаляются.
  • Все выходные данные, для которых поставлен флажок Добавить к изображению (Add to Display), добавляются к изображению.
  • Во время выполнения процесса в приоритетном режиме ход выполнения показывается в диалоговом окне хода геообработки. Модели, запущенные из ModelBuilder, никогда не выполняются как фоновые процессы. Модели, выполняемые из диалогового окна инструмента, можно запустить в фоновом режиме.
  • Результат не записывается в окно Результаты (Results).

Более подробно о запуске моделей из диалогового окна инструмента

Связанные темы

Отзыв по этому разделу?

Илон Маск об итогах и перспективах Tesla

Американская компания Tesla провела мероприятие, на котором поделилась подробностями о своей деятельности за 2021 год. В своём выступлении Илон Маск сообщил массу интересной информации о будущем бренда и подвёл финансовые итоги.

Начать стоит, пожалуй, с продаж, которые за 2021 год составили 936 тысяч электромобилей (рост на 87%). Однако из этой, безусловно, впечатляющей цифры, на семейство Model S/X приходится всего 24980 экземпляров. Следовательно, оставшиеся 911 тысяч экземпляров пришлось на Model 3/Y. 

101 Фотографии

В любом случае год оказался крайне успешным для компании. Tesla удалось получить доход в 53,8 млрд долларов, что на 71 процент больше результатов годичной давности. Причём основной доход пришёлся именно на автомобильный сектор (47,2 млрд долларов). Инвесторы «Теслы» смогли выручить 5,52 млрд долларов, при том, что годом ранее эта сумма составляла «всего» 721 млн. Нельзя забывать, что детище Илона Маска продолжает вкладывать огромные суммы в развитие своих производственных площадок. Только в прошлом году в новые заводы в американском Остине и немецком Берлине инвестировано 6,5 млрд долларов.

Tesla Giga Berlin

Tesla Giga Berlin

На новых предприятиях стоит остановиться подробнее. Запустить их в полноценную эксплуатацию до конца прошлого года так и не удалось, хотя тот же Giga Berlin полностью завершён, осталось только получить разрешение на выпуск автомобилей от немецких властей, с которыми Маск до сих пор не нашёл взаимопонимания. Первыми электрокарами, которые освоят на своих мощностях заводы в Остине и Берлине, станут кроссоверы Model Y, которые получат улучшенные батареи с ячейками формата 4680, обеспечивающими на 16% больший запас хода. 

Tesla Giga Berlin

Tesla Giga Berlin

А теперь главное – новинок в этом году не будет! Дебют пикапа Cybertruck, тягача Semi и гиперкара Roadster официально отложен. По словам Илона Маска, запуск новых электромобилей отнимет много ресурсов, приведет к дополнительным ограничениям поставок, и в конечном счёте Tesla потеряет темп производства. Поэтому основная задача компании – увеличение выпуска существующих моделей и разработка гуманоидного робота Optimus, в котором Маск видит куда больший потенциал, чем в автомобильной индустрии.

10 Фотографии

Что касается Cybertruck, Semi и Roadster, то их появление на рынке произойдёт в 2023 году. Причём компания надеется реализовывать по 250 тысяч «Кибертраков» ежегодно. Что касается «электрокара за 25 тысяч долларов», то подробностей о нём вообще не сообщили, что позволяет сделать предположение о заморозке проекта на неопределённый срок. 

Запуск модели до заданного момента или на заданный интервал времени

Запуск модели до заданного момента или на заданный интервал времени

Запуск модели на заданный интервал времени

При необходимости вы можете промоделировать определенный период жизни модели, после чего выполнение модели будет приостановлено. Изучив состояние модели в интересующий вас момент модельного времени (или, например, совершив необходимые интерактивные действия), вы можете продолжить выполнение модели. При этом вы можете снова запустить ее лишь на заданный интервал времени (либо интервал с другой длительностью) и т.д.

Чтобы запустить модель на заданный интервал модельного времени

  1. Нам понадобится дополнительный элемент управления выполнением модели Запустить на, расположенный на панели разработчика. Откройте панель разработчика в окне модели, щелкнув крайний справа элемент управления Показать / скрыть панель разработчика .

  2. Опции запуска по умолчанию скрыты. Щелкните по элементу управления Показать / скрыть опции запуска в секции управления выполнением модели в панели разработчика, чтобы они появились.

  1. Справа от кнопки Запустить на задайте интервал времени, который вы хотите промоделировать до того, как модель будет приостановлена. Интервал задается как количество единиц модельного времени от момента начала моделирования. Вы можете выбрать нужные вам единицы времени, от мс до лет, с помощью расположенного справа элемента управления.

  2. Щелкните по кнопке Запустить на. Модель будет запущена. Выполнение модели будет приостановлено после того, как будет промоделирован заданный интервал модельного времени.

Запуск модели до заданного момента модельного времени

Если модель не запущена (еще не запускалась или уже была запущена, и в данный момент ее выполнение приостановлено), то:

Чтобы запустить модель до заданного момента модельного времени

  1. Нам понадобится дополнительный элемент управления выполнением модели Запустить до, расположенный на панели разработчика. Откройте панель разработчика в окне модели, щелкнув крайний справа элемент управления Показать / скрыть панель разработчика .

  2. Опции запуска по умолчанию скрыты. Щелкните по элементу управления Показать / скрыть опции запуска в секции управления выполнением модели в панели разработчика, чтобы они появились.

  1. Справа от кнопки Запустить до задайте момент модельного времени, в который вы хотите приостановить выполнение модели. Вы можете задать время останова как количество единиц модельного времени от момента начала моделирования, введя соответствующее значение в поле справа от кнопки Запустить до.
    Естественно, это значение должно быть больше, чем текущее значение модельного времени (оно отображается в верхней строке панели разработчика: ).

  2. Также вы можете задать время останова как календарную дату. Для этого перейдите в режим задания даты, щелкнув по кнопке Задать дату или время. Наведите курсор на редактируемое поле справа от кнопки Запустить до. Там появятся элементы для задания даты. Используйте их, чтобы задать дату останова модели.
    Естественно, дата останова должна быть «в будущем» относительно текущей даты модельного времени, которая отображается в верхней строке панели разработчика: .

  3. Задав нужное вам время останова модели, щелкните по кнопке Запустить до. Модель будет запущена, и ее выполнение приостановится в заданный вами момент времени.

Приостановка выполняющейся модели в заданный момент модельного времени

Если модель выполняется в текущий момент, то:

Чтобы приостановить выполнение модели в заданный момент модельного времени

  1. Нам понадобится дополнительный элемент управления выполнением модели Приостановить в, расположенный на панели разработчика. Откройте панель разработчика в окне модели, щелкнув крайний справа элемент управления Показать / скрыть панель разработчика .

  2. Опции запуска по умолчанию скрыты. Щелкните по элементу управления Показать / скрыть опции запуска в секции управления выполнением модели в панели разработчика, чтобы они появились.

  1. Справа от кнопки Приостановить в задайте момент модельного времени, в который вы хотите приостановить выполнение модели. Вы можете задать время останова как количество единиц модельного времени от момента начала моделирования, введя соответствующее значение в поле справа от кнопки Приостановить в.
    Естественно, это значение должно быть больше, чем текущее значение модельного времени (оно отображается в верхней строке панели разработчика: ).

  2. Также вы можете задать время останова как календарную дату. Для этого перейдите в режим задания даты, щелкнув по кнопке Задать дату или время. Наведите курсор на редактируемое поле справа от кнопки Приостановить в. Там появятся элементы для задания даты. Используйте их, чтобы задать дату останова модели.
    Естественно, дата останова должна быть «в будущем» относительно текущей даты модельного времени, которая отображается в нижней строке окна: .
  3. Задав нужное вам время останова модели, щелкните по кнопке Приостановить в. Выполнение модели приостановится в заданный вами момент времени.

См. также
Управление выполнением модели

Окно модели

Запуск эксперимента

цена съемки в Москве каталожная фотограф фотостудии

Тенденции интернет-продаж меняются, ещё несколько лет назад на сайтах размещали только обычные фотографии товаров раскладкой. Но исследования показывают, что фотографии одежды на модели лучше продают данную категорию продукции. Как следствие, многие интернет-площадки и маркетплейсы требу изображения на которых можно увидеть как сидит продукция на мужчине, девушке, мальчике или девочке. Это достаточно не простой процесс и лучше его заказывать у профессиональных фотографов в фотостудии. Но если у вас небольшой бюджет и вы хотите самостоятельно осуществить фотосъемку, то мы для вас решили рассказать о нюансах данного типа съемки.

Неподходящий образ

Недостаточно просто пригласить модель, необходимо создать ей красивый образ. Заранее подготовьте подходящий комплект одежды, чтобы ваша модель не выглядела как яркий павлин. Обязательно фотографируйте женщин с маникюром и педикюром — он должен быть нюдовым. Позаботьтесь об аккуратном макияже и прическе, желательно его сделать в повседневном (естественном) стиле, чтобы не отвлекать внимание покупателя от товара. За счёт макияжа постарайтесь сделать так, чтобы кожа не блестела.

Естественная поза и жесты

Модель не должна стоять столбом, фотографируйте в естественной позе. Выберите подходящие и чередуйте. Не увлекайтесь раскованными позами и через чур эмоциональными. Помните, вы фотографируете для каталога, чтобы продавать, а не рекламировать модель. Для фотографирования спортивной одежды подойдёт более энергичная поза, например с имитацией бега или выпадов. И не забывайте, что улыбка никогда не портит кадр.

Лишние украшения

Не надо загружать образ аксессуарами во каталожной фотосъемки одежды на модели. Различные сумки, браслеты, крестики и даже серёжки практически всегда лишнее. Также на объекте не должно быть татуировок, шрамов и крупных родимых пятен (родинок). 

Неправильные ракурсы

Если вы хотите сделать кадр в полный рост, то фотографируйте на уровне глаз. А если наоборот крупный план например юбки, то соответственно его надо делать на том же уровне, а не сверху вниз. Не забывайте, если вы хотите обрезать готовое фото, то нужно это делать в соответствии с требованиями того или иного маркетплейса или вашего интернет-магазина. Это нужно, чтобы в каталоге поддерживался единый стиль подачи информации. 

Настройте освещение

И это уж точно не естественные источники света. Для профессиональных и качественных снимков вам подойдёт только искусственный свет. Расставьте мягкий свет с разных сторон, чтобы избежать резких теней и блеска на коже. 

Остальные моменты:

  • Температура в помещении должна быть комфортной для человека, чтобы он не начал потеть или мёрзнуть;
  • Не усердствуйте с ретушью — всё должно быть в меру и выглядеть естественно;
  • Фотографируйте широко «с запасом», чтобы подходить под разные стандарты площадок к масштабу;
  • Правильно фокусируйте объектив фотоаппарата;
  • Проводите съемку с высоким разрешением;
  • Делайте несколько фотографий на один товар.
Это далеко не все нюансы с которыми придётся столкнутся осуществляя работы самостоятельно. Мы рекомендуем заказать каталожную фотосъемку одежды на модели в фотостудии с профессиональными фотографами. Наша студия уже 5 лет проводит данный тип съемки для каталога и наработала большой опыт. Чтобы узнать точную стоимость за услугу просто позвоните или заполните соответствующую форму на сайте. 

ПРОИЗВОДСТВО LAMBORGHINI, СКОЛЬКО ШТ. НА МОДЕЛЬ

Тип Производство Примечание
350 ГТВ 2 (1 прототип и 1 статический макет)
350 GT 118
350 ГТС 2 Некоторые из них были преобразованы позже
400 GT 23 Индивидуальный заказ 4-литровый 2-местный
3500 ГТЦ 2 Нестандартный кузов от Zagato
400 GT 2+2 250
400 GT Летающая звезда II 1 Нестандартный кузов от Carrozzeria Touring
400 GT Монца 1 Нестандартный кузов от Neri&Bonacini
Маршал 1 Прототип Бертоне
Ислеро 125
Ислеро С 100
Прототип Эспада 1 Сейчас в музее Ферруччо Ламборгини
Серия Эспада I 186
Серия Эспада II 575
Серия Эспада III 465
Фаэна 1 Четырехдверный кастом на базе шасси Espada
Джарама 400 GT 177
Ярама 400 ГТС 150
Джарама 400 GT «Боб» 1
Миура Р400 275
Миура П400 С 338
Миура П400 СВ 150
Родстер Миура 1 Преобразован в Zn75, но недавно восстановлен до исходных характеристик
Миура Джота 1 Оригинал был утерян в результате несчастного случая, в Великобритании была построена копия
Прототип Уррако 2
Уррако П250 520 Включает модели P250 S и Typo III
Уррако П300 190
Уррако П200 66 Специальная модель только для итальянского рынка
Urraco «Боб» или Ралли 1 Специальная гоночная версия, созданная Бобом Уоллесом
Силуэт 55 Версия Urraco P300 с открытым верхом
Джалпа P350 410
Джалпа Спайдер 2 Один выставлен в музее Ферруччо Ламборджини
Атон 1 Концепт от Bertone
Браво Р114 1 Концепт от Bertone
Countach LP5000 1 Оригинальный желтый прототип Countach
Countach LP400 157 Оригинальный узкофюзеляжный вариант «persicopa»
Countach LP400 S 237 Эволюция широкого кузова
Countach LP500 S 321
Countach LP500 Quattrovalvole 610
25 лет Countach 657 Специальное праздничное издание
Countach Evoluzione 1 Прототип для испытаний шасси из углеродного волокна
Countach «Альфиери» 1 Прототип для испытаний воздушного потока
Гепард 1 Прототип внедорожника
ЛМ001 1 Прототип внедорожника
LMA002 1 Передний двигатель для бездорожья
ЛМ002 328 Первая серийная внедорожная модель Lamborghini
ЛМ004 1 Специальный 7-литровый двигатель V12 для бездорожья
Р140 1 Прототип V10, который придет на смену Jalpa, по слухам, было сделано два
Диабло (1990-1998) 900 Приблизительно
Диабло ВТ (1993-1998) 400 Приблизительно
Диабло SE30 135 Специальное издание к 30-летию
Диабло SE30 Джота 15 Специальная гоночная опция для Diablo SE30 edition
Родстер Diablo VT (1995-1998) 200 Приблизительно
Диабло СВ (1995-1998) неизвестно
L147 – Песнь 2 Только прототип
Диабло VS Special 1 Под заказ белый Diablo SV для Victoria Secret
Родстер Diablo SV 6 Ориентировочная стоимость, производство было очень ограниченным
Diablo SV Monterey Edition 20 Доступно только на рынке США
Альпийская версия Diablo 12 Доступно только на рынке США
Песнь (1999) 1 Эволюция прототипа более раннего L147
Диабло ВТ (1999) неизвестно MY1999 с фиксированными фарами и новым интерьером
Диабло СВ (1999) 100 Расчетное значение
Родстер Diablo VT (1999) 100 Расчетное значение
Диабло GT 83 Уличная легальная версия гоночного автомобиля Diablo GTR
Родстер Diablo VT Momo Edition 12 Доступно только на рынке США
Диабло ГТР 32 Гоночный автомобиль, созданный на основе Diablo VT 6.0
Родстер Diablo Millennium 30 Ограниченная серия финального родстера
Диабло ВТ 6.0 337 Финальная эволюция Diablo
Диабло ВТ 6.0 SE 44 Special Edition, доступен только в двух оттенках
Кала 1 Концепт V10 от ItalDesign
Мурсьелаго 3084 Включает 6.2, LP640 и LP670-4 Super Veloce
Мурсьелаго 40 лет 50 Лимитированная праздничная серия
Murcielago Concept 1 Прототип Barchetta или Roadster, несколько макетов, но только один передвижной прототип
Мурсьелаго Родстер 899 Включает 6.2, родстер LP640 и родстер LP650-4
Ревентон 20 Лимитированная серия, всего 20 штук
Ревентон Родстер 15 Лимитированная серия, не более 15 экземпляров
Murciélago LP670-4 Super Veloce 186 Ограниченная серия из 350 экземпляров, но ходят слухи, что было выпущено всего 186 экземпляров
Murciélago LP670-4 SV China Edition 10 Ограниченная серия из 10 экземпляров продается только в Китае
Галлардо 7221 До декабря 2011 г., включает 5.0, Superleggera, LP560-4, LP550-2 и LP570-4 Superleggera, все еще в производстве
Концепция S 2 Концепт кабриолета Gallardo
Галлардо Спайдер 3353 До декабря 2011 г., включая 5.0, LP560-4, LP550-2 и LP570-4 Performante, все еще в производстве
Галлардо SE (2006) 250 Специальная серия ограничена 250 экземплярами
Галлардо Нера (2007) 185 Лимитированная серия доступна только в черном цвете
Галлардо LP550-2 Валентино Бальбони (2010) 250 Специальная серия, выпущенная ограниченным тиражом 250 экземпляров, первая заднеприводная Lamborghini с 2000 года
Галлардо Биколор (2011) 250 Лимитированная серия доступна только в нескольких оттенках с черной крышей
Gallardo LP570-4 Super Trofeo Stradale (2012) 150 Ограниченная серия уличной версии гоночного автомобиля Blancpain Super Trofeo
Авентадор LP700-4 2593 Производство до конца 2014 года
Авентадор J 1 Индивидуальное изготовление в 2012 г.
Авентадор LP700-4 Родстер 1075 Производство до конца 2014 года
Миура Концепт 1 Построен только один прототип, сейчас выставлен в заводском музее
Эсток 1 Построен только один прототип, сейчас выставлен в заводском музее
Сесто Элементо 20 Подтверждено ограниченное производство в количестве 20 единиц
Урус 1 Был изготовлен только один прототип концепта
Венено LP750-4 4 Специальная модель в единственном экземпляре, всего 3 будут проданы, четвертая останется на заводе
Авентадор LP720-4 50 лет 100 Ограничено до 100 штук
Эгоист 1 Уникальный одноместный сверхэкзотический истребитель V10 для дорожного использования
Aventador LP720-4 Родстер 50 лет 100 Ограничено до 100 штук
Gallardo LP570-4 Squadra Corse 50 Ограничено до 50 единиц по всему миру
Венено Родстер 9 Ограничено до 9 единиц
Хуракан LP610-4 1616 Производство до конца 2014 года
Астерион LPI910-4 1 Уникальная гибридная концепция
Авентадор LP750-4 Суперскорость 600 Ограничено до 600 единиц
Авентадор LP750-4 СВ Родстер 500 Ограничено до 500 единиц

Модель дохода с оплатой за пользователя: продажи программного обеспечения B2B

Модели с оплатой по количеству пользователей чаще всего встречаются в контексте продаж программного обеспечения и специализированного контента между предприятиями (B2B).

Отношения с клиентами

В продажах B2B продажа программных решений требует прочных отношений с клиентами, которые поддерживаются:

  • Отличное обслуживание клиентов
  • Обучение пользователей
  • Конфигурация
  • Реализация
  • Документация

Для ценного специализированного контента (например, профессиональных отчетов об исследованиях рынка) стандартом также является хорошо налаженное личное сотрудничество.

Вопросы маркетинга, связанные с моделью дохода с оплатой за пользователя

При использовании модели с оплатой по количеству пользователей сосредоточьте усилия по продажам и маркетингу B2B на создании ценностных предложений, побуждающих клиентов приобретать предложение для большей части своих сотрудников.

Операционные последствия

Сохраняйте операционную направленность модели дохода с оплатой за пользователя на экономически эффективное предоставление ценности. Если вы распространяете рассматриваемое предложение через сеть компьютеров (как в случае предложений программного обеспечения с оплатой за пользователя), также сосредоточьтесь на управлении интеграцией, совместимостью системы и функциями поддержки; это улучшит качество обслуживания клиентов и сведет к минимуму дорогостоящие технические сбои.

Финансовые и стратегические последствия

Самая насущная финансовая проблема для компаний с оплатой по количеству пользователей — это скорость, с которой они могут добавлять новых пользователей.Поскольку это происходит относительно медленно, необходим капитал для поддержания компании по мере роста ее пользовательской базы и наращивания мощностей доставки.

Ключевые показатели

Массовые продажи B2B — важный показатель для компаний с платой за пользователя. Большинство этих компаний продают пользователям доступ к программному обеспечению или носителям с шагом в пять или десять, в зависимости от соответствующего масштаба. Компания может предложить первоначальным пользователям временное пробное использование продукта, чтобы они могли оценить предложение до принятия окончательного решения о покупке.

Модальности

Модель оплаты за пользователя очень похожа на модель лицензирования. Лицензирование дает пользователю право использовать технологию на неограниченной основе, как правило, в сочетании с лицензионными отчислениями или другой формой постоянного вознаграждения. Лицензионные соглашения обычно ограничиваются определенным периодом времени. Модель дохода с оплатой за пользователя ограничивает количество пользователей, которые могут получить доступ к технологии, как правило, неограниченным образом в течение определенного периода времени.

Затраты и преимущества модели оплаты за пользователя

Продажа в расчете на одного пользователя может оказаться эффективным способом доступа к рынкам с крупными клиентами.Этот метод продаж «в дверь» позволяет сотрудникам компании-клиента продвигать ваше предложение внутри компании, если они считают его ценным. К сожалению, постепенное привлечение дополнительных пользователей не всегда рентабельно, поэтому необходимо заранее определить необходимое количество пользователей в компании-клиенте.

Факторы до, во время и после операции, влияющие на работоспособность взрослых с постлингвистической глухотой, использующих кохлеарные имплантаты: новая концептуальная модель с течением времени

Цель: Проверить влияние множества факторов на речевые характеристики кохлеарного импланта (КИ) в тишине и шуме у постлингвистически глухих взрослых и разработать модель прогнозируемой слуховой способности с КИ в зависимости от значимых факторов.

Дизайн исследования: Ретроспективное многоцентровое исследование.

Методы: Были собраны данные о 2251 пациенте, имплантированном с 2003 г. в 15 международных центрах. Оценки речи в тишине и в шуме были преобразованы в процентильные ранги, чтобы устранить различия между центрами.Влияние 15 пред-, пер- и послеоперационных факторов, таких как продолжительность умеренной потери слуха (mHL), хирургический доступ (кохлеостомия или доступ с круглым окном), угол введения, процент активных электродов и марка устройства были протестированы. Обычные факторы, продолжительность глубокой ЛХ (pHL), возраст, этиология, продолжительность опыта КИ, которые, как уже известно, оказывают влияние, были включены в статистический анализ.

Полученные результаты: Значимыми факторами были: средний порог чистого тона лучшего уха, марка устройства, процент активных электродов, использование слуховых аппаратов (СА) в период ПХЛ и продолжительность ПХЛ.

Выводы: Была разработана новая модель, показывающая снижение производительности, которое началось в период mHL и ускорилось в период pHL. Использование двусторонних HA замедлило соответствующую центральную реорганизацию, которая, вероятно, является причиной снижения производительности.

Зарплата модели

— сколько заработают модели в 2022 году?

Начинающие модели часто задаются вопросом, какая слава и богатство их ждут.Вот руководство по средней зарплате модели в 2022 году.

Те, кто хочет работать моделью, часто задаются вопросом, какая слава и богатство их ждут. Легко представить себе гламурную жизнь, полную дизайнерской одежды, но реальность может быть немного иной, поскольку в модельной индустрии существует широкий спектр работы — от супермоделей, зарабатывающих миллионы, до тех, кто едва зарабатывает.

Описание работы

Модельный бизнес — непростая профессия.Есть много разных аспектов индустрии, в зависимости от того, в каком направлении вы хотите двигаться. Если бы мы максимально упростили это, мы могли бы сказать, что работа модели состоит в том, чтобы выглядеть как можно лучше для продвижения одежды и предметы быта. Однако на самом деле это слишком упрощенно и игнорирует множество более сложных аспектов работы.

Прежде чем мы сможем даже перейти к обсуждению модели заработной платы, мы должны начать с определения двух основных способов, которыми люди получают работу в отрасли.Во-первых, через модельное агентство, концепция которого вам может быть хорошо знакома. Вот контрольный список 60 лучших модельных агентств Америки.

У модели есть агент, которому поручено найти им работу. Они часто работают с рядом других моделей, которые могут иметь похожий или отличный от них внешний вид. Клиент свяжется с агентом и запросит конкретный вид; тогда задача агента состоит в том, чтобы предложить модели, которые, по их мнению, подходят для задания. Если вы нравитесь клиенту, и вы доступны, то вы можете получить работу.Однако вам придется заплатить часть своих гонораров вашему агенту в обмен на их работу.

Другой вид модельной работы — фриланс. Если вы фрилансер, вы сами можете найти свою работу. Это означает, что вам, возможно, придется больше работать, чтобы найти работу, поскольку клиенты вряд ли придут к вам напрямую. Вам придется искать возможности и кастинги и выдвигать себя для них, что может означать посещение множества прослушиваний без участия. Преимущество, конечно, в том, что вы получаете полную плату, которую вам заплатили.Мы собрали несколько советов для начинающих моделей, которые помогут вам начать работу.

Спорный вопрос, может ли модель зарабатывать больше на фрилансе или в агентстве. Это вполне может быть связано либо с личными предпочтениями, либо с тем, сможете ли вы вообще подписать контракт с агентством. Конкуренция за эти места очень жесткая, и вас могут исключить из вашего агентства, если вы не будете хорошо работать.

Вообще говоря, самые высокооплачиваемые модели в мире заключают контракты с агентствами.После того, как вы достигнете определенного уровня, вы можете работать так много, что у вас не будет времени искать возможности. Это когда вам будет полезно, чтобы агент делал это за вас!

Ниши для моделирования

Существует огромное количество модельных ниш на выбор. Мы сделаем все возможное, чтобы охватить здесь как можно больше, хотя имейте в виду, что их может быть даже больше, если вы хотите найти очень конкретную нишу.

  • Подиумные модели
    Эти модели ходят по подиуму в дизайнерской одежде во время мероприятий.Вы должны уметь очень быстро переодеваться за кулисами (и не стесняться того, что другие наблюдают, как вы переодеваетесь), и быть готовым носить диковинную, откровенную или нелестную одежду. Вы — средство демонстрации моды, и дело не в вас. У вас должна быть сильная походка, вы должны быть высокими и стройными, и вы должны соответствовать размеру образца одежды, который создает дизайнер. Ваша работа, скорее всего, займет несколько часов, от прически и макияжа до репетиций, а затем и самого шоу, которое может закончиться в течение тридцати минут или меньше.Некоторым моделям платят до 20 000 долларов за показ, а другим может вообще не платить, в зависимости от дизайнера.

  • Редакционные модели
    Когда вы открываете страницы модного журнала, вы видите редакционные развороты, которые используются, чтобы рассказать историю об одежде или продемонстрировать новые тенденции. Редакционные модели подпадают под другие требования к моделям для подиума и будут оплачиваться по-разному. Вы можете ожидать около 100 долларов в час, если у вас все хорошо.Начальная зарплата модели может быть намного ниже, даже 20 долларов в час, и вам, возможно, придется сначала работать бесплатно, чтобы получить свое портфолио.

  • Коммерческие или рекламные модели
    Этот тип моделирования может быть очень хорошо оплачиваемым, в среднем 200 долларов в час. Опять же, вы можете зарабатывать меньше для небольших брендов или больше для общенациональных кампаний. Вам нужно будет узнать о различных типах платежей, предлагаемых за рекламные съемки, которые могут охватывать разные регионы, разные средства массовой информации, продолжительность и так далее.Умный агент или модель, ведущая переговоры для себя, может сделать так, чтобы успешная рекламная кампания продолжала приносить доход, чем дольше она будет показана.

  • Модели из каталога
    Когда вы делаете покупки в Интернете или через каталог, вы увидите моделей в одежде, чтобы продемонстрировать, как они выглядят. Это может быть очень стабильная работа, так как вас будут вызывать для выпуска новых продуктов, и вы сможете снимать сотни образов в неделю. Вы должны соответствовать стандартным размерам, и, как правило, предпочтительнее более общий вид, поэтому, если у вас яркое или диковинное лицо, вам лучше работать в редакции.

  • Подходящие модели
    Подходящие модели используются для определения посадки одежды и проверки правильности ее внешнего вида. Вы можете удвоить эту работу, работая с каталогом. Для подходящей модели совершенно не важно ваше лицо, важны только точные размеры вашего тела.

  • Модели частей
    Руки, ступни, руки и ноги, губы, глаза, волосы, даже части туловища – модели частей работают только с небольшой частью своего тела, а не со всем.Они могут покрывать более одной части тела или фокусироваться только на той части своего тела, которая наиболее привлекательна. Зарплата ручной модели может сильно отличаться от зарплаты модели стопы или модели глаза, поэтому сложно определить цифру. Это очень нишевая работа, требующая тяжелой работы, физического дискомфорта и решимости добиться успеха, а также чрезвычайной защиты той части, которую вы моделируете.

  • Модели для живых мероприятий
    Для живых мероприятий, таких как автосалоны, выставки и ярмарки, часто требуются модели, чтобы привлечь внимание.Иногда их называют грид-девушками (на автомобильных мероприятиях), промо-девушками, промо-моделями и т. Д., Они будут работать долгие дни и не всегда хорошо оплачиваются. Ожидается, что вы будете позировать для фотографий с представителями общественности и всегда улыбаться.

  • Модели телевизоров
    Это не так часто, как раньше, но игровые шоу иногда по-прежнему отправляют привлекательную женщину, чтобы показать призы. Хотя мы не знаем разницы между зарплатой моделей «Правильная цена» и зарплатой моделей «Сделка» или «Нет сделки», они, вероятно, будут получать хорошие деньги, хотя и не так хорошо, как ведущие телешоу.Работа может длиться недолго, что также означает, что общая заработная плата может быть не такой высокой, как ожидалось, но это гарантирует большую известность.

  • Модели нижнего белья
    Стоит выделить моделей нижнего белья в отдельную категорию, потому что они часто могут зарабатывать в два раза больше, чем их полностью одетые коллеги, выполняя ту же работу (например, на подиуме, в редакции, в рекламе). , и т.д). Зарплата моделей Victoria’s Secret — одна из самых высоких в индустрии.

Ознакомьтесь с этими статьями по моделированию

Рабочая среда

Рабочая среда может сильно различаться изо дня в день, а также от работы к работе. Это потому, что работа разная каждую неделю! Вы можете сниматься в купальнике на Багамах и отлично проводить время или дрожать в канадском снегу без пальто, чтобы сделать снимок.

Одно можно сказать наверняка: модели должны следить за собой. Иногда вас будут угощать и присматривать за вами бегун или помощник, но не всегда.Возможно, вам придется доставлять себе еду и питье, держать себя в тепле и сухости или просто терпеть физический дискомфорт, пока работа не будет сделана.

Если вы не созданы для такой среды, у вас может не получиться. Уход со съемочной площадки из-за того, что вы слишком замерзли или устали, может повлиять на вашу репутацию, а это все в индустрии моды.

Факторы, влияющие на зарплату моделей

Существует множество факторов, которые могут повлиять на вашу зарплату. Они включают, но не ограничиваются следующим:

  • Пол – Мужчины-модели, как правило, зарабатывают меньше.
  • Время, потраченное на работу. Возможно, вы не работаете даже один день в неделю или можете работать семь дней в неделю, в зависимости от того, насколько хорошо вы или ваш агент получаете заказы.
  • На уровне отрасли. Независимые и небольшие бренды наверняка будут платить меньше, чем более крупные дома моды, которые уже хорошо зарекомендовали себя с хорошим бюджетом, а это означает, что вы не сможете заработать столько же в начале своей карьеры.
  • Местоположение. Работая в одной из мировых столиц моды (Лондоне, Нью-Йорке, Париже, Милане и т. д.), вы, скорее всего, получите более высокую зарплату модели, чем где-либо, где модельный бизнес не так популярен.
  • Ваш внешний вид. Вас могут оценить как более или менее стоящего в зависимости от того, насколько хорошо вы соответствуете требуемому внешнему виду и размеру.
  • Способность к ведению переговоров. Если вы заключите хороший контракт, вы потенциально сможете заработать намного больше. Если вы вообще не будете вести переговоры, вы можете оказаться низкооплачиваемым по сравнению с вашим потенциалом.
  • Агентство. Если вы фрилансер, или если у вас есть агент с низким вознаграждением, или если ваш агент получает высокое вознаграждение, то вам могут платить больше или меньше.
  • Стоимость работы. У моделей часто вычитаются расходы из зарплаты.Это могут быть такие вещи, как перелеты, такси и автомобили, питание, проживание и т. д., особенно когда требуется поездка в другой город.

Будучи начинающей моделью, вам нужно потрясающее модельное портфолио, чтобы начать свою карьеру. Это ваш шанс произвести отличное первое впечатление на агентства и клиентов. Вы можете легко создать потрясающий веб-сайт с портфолио моделей и управлять им с помощью Pixpa.

Распечатанные портфолио отлично подходят для личных встреч, но вы не можете присутствовать везде.Скорее всего, большинство агентств и клиентов в конечном итоге увидят ваше портфолио в Интернете. Здесь на помощь приходит ваш веб-сайт с онлайн-портфолио. Убедитесь, что вы выбрали правильную платформу для своего веб-сайта с портфолио, которая позволит вам создать уникальный стиль, наилучшим образом отражающий вашу индивидуальность. Ваш веб-сайт с модельным портфолио должен быть не только красивым, но и функциональным.

Pixpa предлагает гибкость, функции и простоту использования, необходимые для создания профессионального веб-сайта-портфолио без каких-либо знаний в области программирования.Как начинающая модель, вы можете легко создать потрясающий веб-сайт портфолио моделей и управлять им.

Создайте свой веб-сайт профессионального портфолио на Pixpa за
минут без каких-либо знаний в области кодирования. Начните бесплатную пробную версию прямо сейчас.

Средняя зарплата моделей

Цифры Ziprecruiter варьируются от 401 500 до 11 000 долларов при средней годовой зарплате модели в США 125 457 долларов. Компания Indeed заявляет, что средняя почасовая зарплата модели составляет 23,43 доллара, хотя их цифры включают работу моделей для взрослых, что может исказить число в сторону более высокого значения.Модели высшего уровня могут запросто получать несколько сотен долларов в час, если не больше, в зависимости от работы и статуса. Кто-то вроде Кейт Мосс, например, достиг уровня славы, когда ее лицо мгновенно узнаваемо, и по этой причине ей будут платить не только как модели, но и как знаменитости. Ее годовая зарплата исчисляется миллионами, хотя, конечно, она намного выше среднего.

В США есть определенные районы, где вы увидите более высокие почасовые ставки или больше доступных рабочих мест.В Нью-Йорке и Лос-Анджелесе, как правило, больше всего работы, при этом средняя зарплата моделей в Калифорнии составляет 25 долларов в час.

Мы можем подходить к модельным цифрам заработной платы в год с некоторой осторожностью, поскольку они обычно рассчитываются исходя из 40-часовой рабочей недели по заявленной почасовой ставке. На самом деле модели редко работают так много! Это означает, что реальная средняя годовая зарплата модели, вероятно, намного ниже, чем кажется.

Заключение

Работая моделью, можно заработать много денег и даже стать миллионером.Реальность для многих моделей намного ниже. Однако, если вы полны решимости упорно трудиться, поддерживать форму и продвигать свою карьеру до предела, вы можете легко заработать столько же или даже больше, чем на офисной работе. Это отличный мотивирующий фактор для многих моделей.

Убедитесь, что у вас есть запасной план, так как моделирование часто имеет срок годности для большинства моделей. Когда вас сочтут слишком старым, ваша зарплата упадет или может совсем исчезнуть.

Часто задаваемые вопросы

Сколько платят моделям?
Заработная плата моделей может сильно различаться в зависимости от опыта, отрасли, продолжительности проекта, местоположения, агентства и множества других факторов.Доходы отдельных моделей могут колебаться от проекта к проекту и от сезона к сезону.

Сколько модель зарабатывает в год?
По данным Ziprecruiter, модели могут зарабатывать от 401 500 до 11 000 долларов в год. Заработная плата моделей сильно варьируется в зависимости от отрасли и зависит от опыта, внешности, известности и т. д.

Какая работа модели самая высокооплачиваемая?
Модели для редакций и подиумов, которые могут достичь статуса супермоделей, являются самыми высокооплачиваемыми моделями.Статус супермодели связан с определенной степенью известности, которая может сыграть большую роль в повышении гонораров модели.

     

    Лицензия IBM Processor Value Unit [PVU] для распределенного программного обеспечения

    Процессор
    Поставщик
    Процессор
    Имя
    Номера моделей серверов Максимальное количество
    сокетов на сервер
    Проц.
    Модель
    Номер
    PVU на ядро ​​
    IBM ядра POWER Systems под управлением ОС Linux 7Р1, 7Р2, 7Р4,
    E1080, СИЛА IFL, p24L,
    С812Л, С812ЛК,
    С822Л, С822ЛК, С824Л, АК922, Л922
    Любое ядро ​​POWER System под управлением Linux
    Все Все 70
    СИЛА10 Е1080 >4 Все 120
    ПИТАНИЕ9 Е980 >4 Все 120
    Е950 4 Все 100
    Н922, Н924, С914, С922, С924 2  Все 70
    POWER8 870, 880 > 4 Все 120
    Е850 4 Все 100

    С812, С814, С822, С824
    2 Все 70
    POWER7 4 770, 780, 795 > 4 Все 120
    750, 755, 760, 775, PS704, p460, Power ESE 4 Все 100
    PS700-703,
    710-740, стр. 260, стр. 270
    2 Все 70
    ПИТАНИЕ6 550, 560, 570,
    575, 595
    Все Все 120
    520,
    JS12, JS22,
    JS23, JS43
    Все Все 80
    СИЛА5,
    МОЩНОСТЬ4
    Все Все Все 100
    POWER5 QCM Все Все Все 50
    z15 Модель T01, LinuxOne III LT1, z14, Модели M01–M05 и L01–L05, Emperor, Emperor II, z13, zEC12, z196,
    Система z10 1,5
    Все Все Все 120
    z15 Модель T02, LinuxOne III LT2, z14 Модель ZR1/LR1, z13s, Rockhopper, Rockhopper II,
    зБК12, з114,
    Система z9,
    z990, S/390 1,2,6
    Все Все Все 100
    PowerPC 970 Все Все Все 50
     PowerXCell ТМ ,
    Сотовый/Б.Е. ТМ 8i 3
    Все Все Все 30
    Любой Любой одноядерный Все Все Все 100

    Электроэнергетический автомобиль кВтч на милю [277 кВтч/миля.

    9000 20202 KWH/MI 9000 9000 кВт/ч/ч/кВт/ч/ч/кВт/ч/ч/кВт/ч/ч/кВт/ч/ч/кВт/ч/ч/кВт/ч/ч/кВт 9000 9000. 0.266 0.266 99999999999999999. 9 99999999999999999999999999999999999999999999. 9000 0,299 9000 0,299 0,299 9004 0,2979 км/ч/409,0009,000 9000 кВт/ч/ч/ч/ч/ч/ч/ч/ч/ч/ч/ч/ч/ч/ч/ч/ч/ч/ч/ч. км ,0,2929. 999333333333333333333333333333333333333333333333333333333333333н. S Long Range Plus 9000 0,2922 9000 2018 2018 2018 КВт . 9000 2018 2018 2018 гг. 99999 2-кВт-ч 3 3 Пакет) 0,31000 9000 0,3119000 9004 0.3227 9 0,32 кВтч/миль кВтч/км 9020 ) 99999999999999999 3 999999 999999999999999999999999999999999999999999999999999999999999999999999999999999999999999999999999999999992. 0,34 KWH/MI 9999999999999911111111111111111111111111111111111111111111111111111111111119er9 119er9. 0,35 9009 0,35 9009 9009 9009 9000 9000 9000 9000 9000 9000 40009 9000 9000 40009 9000 9000 9000 9000 9000 . 9004 0,364 0,364. /км 9000 2014 2014 TESLA Modela SS/KM 9000 2014 2014 2014 2014 2014 TESLA Model Аккумуляторная батарея на 85 кВт·ч) Аккумулятор S 9 9000 2020202040404 0,24 кВтч/км 9000 202020202020204 0,24 кВтч/км 020202020204. 20-дюймовые колеса) . 0,24 кВт · ч / км 0,28 KM/KM/KM/KM/KM/KM/KM/KM/KM/KM/KM/KM/KM/KM/KM/KM/KM/KM/KM/KM/KM/KM/KMIVE 9923 9002. 923 9002. 923 23 9009 923. КОД 23. . 0,47 кВтч/миль 9009 39009 9000 9009 9009 9009 9009 0,47 кВтч/
    Модель электромобилей кВтч на милю кВтч на километр
    0.24 кВтч/миль 0,15 кВт -ч/км
    2021 Tesla Model 3 Стандартный диапазон плюс RWD 0,24 кВтч/миль 0,15 кВтч/км
    2019 Model Tesl 3 Стандарт плюс
    2019 Model 3. мили 0,16 кВт · ч / км
    2022 Тесла Модель 3 заднеприводная 0,25 кВт · ч / мл 0,16 кВт · ч / км
    2018 Hyundai Ioniq Electric 0,25 кВт · ч / мл 0,16 кВт · ч / км
    2019 Hyundai Ioniq Electric 0.25 кВтч/миль 0,16 кВтч/км
    2017 Hyundai Ioniq Electric 0,25 кВтч/миль 0,16 кВтч/км
    2021 Hyundai Electric
    2020 Hyundai Ioniq Electric 0,25 кВтч / мл 0,16 кВт-ч / км
    2021 Tesla Model 3 Long Range AWD 0,25 кВт-ч / мл 0,16 кВт-ч / км
    2018 Tesla Model 3 Дальний диапазон 0.26 кВтч/миль 0,16 кВт -ч/км
    2020 Tesla Model 3 Стандартный диапазон 0,26 кВтч/миома 0,16 кВтч/км
    2021 Tesla Model y Standard Rwd 0.263 2021 Tesla Model Yeard Rwd 2021 TESLA Model y rwd 2021 TESLA Model Y. 0,16 кВт-ч / км
    2020 Tesla Model 3 Long Range 0,26 кВт · ч / мл 0,16 кВт-ч / км
    2019 Tesla Model 3 Long Range 0,26 кВт · ч / мл 0,16 кВт · ч / км
    2019 Tesla Model 3 Standard Range 0.26 кВт · ч / мл 0,16 кВт-ч / км
    2022 Tesla Model 3 Long Range AWD 0,26 кВт · ч / мл 0,16 кВт-ч / км
    2022 Tesla Model Y RWD 0,26 кВт · ч / мл 0,16 кВтч/км
    2022 Lucid Air Grand Touring с 19 -дюймовыми колесами 0,26 кВтч/миль 0,16 кВтч/км
    2022 Lucid Air Dream Dream. /км
    Hyundai Kona Electric 2021 0.27 кВт · ч / мл 0,17 кВт.ч / км
    2017 Tesla Model 3 Long Range 0,27 кВт · ч / мл 0,17 кВт.ч / км
    2017 BMW i3 BEV (60 ампер-час батареи) 0,27 кВтч / мл 0,17 кВт.ч / км
    2018 Tesla Model 3 Mid Range 0,27 кВт · ч / мл 0,17 кВт.ч / км
    2014 BMW i3 BEV 0,27 кВтч / мл 0,17 кВтч / км
    2020 Tesla Model 3 Mid Range 0.27 кВтч/миль 0,17 кВтч/км
    2021 Tesla Model Y Long Range AWD 0,27 кВтч/миль 0,17 кВтч/км
    20202 кВтч / км
    2015 BMW i3 BEV 0,27 кВт-ч / мл 0,17 кВт.ч / км
    2016 BMW i3 BEV 0,27 кВт-ч / мл 0,17 кВт.ч / км
    2019 Tesla Model 3 Средний диапазон 0.27 кВтч/миль 0,17 кВтч/км
    2022 Lucid Air Grand Touring с 21 -дюймовыми колесами 0,28 кВтч/миль 0,17 кВтч/км
    2022 TESLA Model Y -Angy Angy 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 9 928 20222. ми 0,17 кВт.ч / км
    2022 Tesla Model S 0,28 кВт · ч / мл 0,17 кВт.ч / км
    2017 Chevrolet Болт EV 0,28 кВт · ч / мл 0,17 кВт.ч / км
    Volkswagen e-Golf 2018 0.28 кВт · ч / мл 0,17 кВт.ч / км
    2014 Chevrolet Spark EV 0,28 кВтч / мл 0,17 кВт.ч / км
    2017 Volkswagen е-гольф 0,28 кВт-ч / мл 0,17 кВтч / км
    2016 Chevrolet Spark EV 0,28 кВтч / мл 0,17 кВт.ч / км
    2013 Scion IQ EV 0,28 кВт-ч / мл 0,17 кВт.ч / км
    2020 Tesla Model Y Long Диапазон полного привода 0.28 кВт · ч / мл 0,17 кВт.ч / км
    2022 Chevrolet Болт EV 0,28 кВт · ч / мл 0,17 кВт.ч / км
    2019 Hyundai Кона Electric 0,28 кВт-ч / мл 0,17 кВт.ч / км
    2019 Chevrolet Болт EV 0,28 кВт · ч / мл 0,17 кВт.ч / км
    2018 Chevrolet Болт EV 0,28 кВт · ч / мл 0,17 кВт.ч / км
    2020 Tesla Model Y Performance AWD 0.28 кВтч/миль 0,17 кВтч/км
    2019 Volkswagen E-Golf 0,28 кВтч/миль 0,17 кВтч/км
    2020 TESLA Model 3 Long Engrad Erange Performance AWD (18IN) 9 0WH. / мл 0,17 кВт.ч / км
    2015 Chevrolet Spark EV 0,28 кВтч / мл 0,17 кВт.ч / км
    2020 Tesla Model 3 Long Range AWD 0,28 кВт · ч / мл 0,17 кВтч / км
    2021 Tesla Model S Long Range 0.28 кВтч/миль 0,17 кВтч/км
    2022 Производительность Dream Lucid Air с 19 -дюймовыми колесами 0,29 кВтч/миль 0,18 кВтч/км
    2022 Lucid Air Dream Arange с 21IN
    2022. /MI 0,18 кВтч/км
    2017 BMW I3 BEV (94-часовой аккумулятор) 0,29 кВтч/миль 0,18 кВтч/км
    2013 Nissan Leaf
    2013 Leaf
    2013 2013
    2013 2013 г. 0,18 кВтч/км
    Honda Fit EV 2014 0.29 кВтч/миль 0,18 кВт -ч/км
    2013 Fiat 500E 0,29 кВтч/миома 0,18 кВтч/км
    2018 BMW I3 (94AH)
    2020 Tesla Model 3 Long Range Performance AWD (19in) 0,29 кВт · ч / мл 0,18 кВт · ч / км
    2022 Tesla Model S Plaid (19in Wheels) 0,29 кВт · ч / мл 0,18 кВтч/км
    2015 Fiat 500e 0.29 кВтч/миль 0,18 кВт -ч/км
    2022 Chevrolet Bolt EUV 0,29 кВтч/миль 0,18 кВтч/км
    2014 Fiat 5009
    2016 Volkswagen E-Golf 0,29 кВтч/миль 0,18 кВтч/км
    2018 Tesla Model 3 Long Range AWD 0,29 кВтч/MI 0,18 КВтч/КМ 0.29 кВтч/миль 0,18 кВтч/км
    2020 Chevrolet Bolt EV 0,29 кВтч/миль 0,18 кВтч/км
    2020 KIA Soul Electric 0,2922
    2020 KIA Soul Electric 0,29229
    20420 KIA Soul Electric 0,2922
    2020 KIA Soul Electric
    2020 KIA.
    2019 Tesla Model 3 Long Range AWD 0,29 кВт-ч / мл 0,18 кВт · ч / км
    2015 Volkswagen е-гольф 0,29 кВт-ч / мл 0,18 кВт · ч / км
    2013 Honda Подходит для EV 0.29 кВтч/миль 0,18 кВтч/км
    2018 Tesla Model 3 Long Range AWD. /MI 0,18 кВтч/км
    2021 Chevrolet Bolt EV 0,29 кВтч/миома 0,18 кВтч/км
    2022. /км
    2017 Nissan Leaf 0.3 кВт · ч / мл 0,19 кВт · ч / км
    2017 Fiat 500e 0,3 кВт · ч / мл 0,19 кВт · ч / км
    2021 Канди K27 0,3 кВт · ч / мл 0,19 кВт · ч / км
    2014 Nissan Leaf 0,3 кВт -ч/миль 0,19 кВтч/км
    2019 BMW I3S 0,3 кВтч/миома 0,19 кВтч/км
    20214. /миль 0,19 кВтч/км
    Tesla Model Y Performance AWD 2020 (колеса 21 дюйм) 0.3 кВтч/миль 0,19 кВтч/км
    2022 Tesla Model 3 Performance AWD 0,3 кВтч/миль 0,19 кВтч/км
    2022 Tesla Model Y -производительность AWD
    2022 TESLA Model Y. 0.19 кВт * ч / км
    +2021 Nissan Leaf (40 кВт-ч батарейный блок) 0,3 кВт · ч / мл 0,19 кВт · ч / км
    2014 Mitsubishi I-MiEV 0,3 кВт · ч / мл 0,19 кВтч /км
    2021 Kia Niro Electric 0.3 кВт · ч / мл 0,19 кВт · ч / км
    2017 Хонда Четкость Е.В. 0,3 кВт · ч / мл 0,19 кВт · ч / км
    2016 Mitsubishi I-MiEV 0,3 кВт · ч / мл 0,19 кВт-ч / км
    2017 Mitsubishi I-MiEV 0,3 кВт · ч / мл 0,19 кВт-ч / км
    2012 Mitsubishi I-MiEV 0,3 кВт · ч / мл 0,19 кВт-ч / км
    2020 BMW i3 0,3 кВтч/миль 0.19 кВтч/км
    2016 Nissan Leaf (30-километровый аккумулятор) 0,3 кВтч/миль 0,19 кВтч/км
    2020 Tesla Model 3 Long Range AWD (20IN) 0,3 КВтч Модель 3 / мл 0,19 кВт · ч / км
    2018 Honda Clarity EV 0,3 кВт · ч / мл 0,19 кВт · ч / км
    2019 Kia Niro Электрический 0,3 кВт · ч / мл 0,19 кВт · ч / км
    BMW i3 2019 0.3 кВт · ч / мл 0,19 кВт · ч / км
    2020 БМВ i3s 0,3 кВт · ч / мл 0,19 кВт · ч / км
    2 021 BMW i3 0,3 кВт · ч / мл 0,19 кВт · ч / км
    2018 Nissan Leaf 0,3 кВт -ч/миль 0,19 кВтч/км
    2019 Fiat 500E 0,3 кВтч/миль 0,19 кВтч/км
    0,19 кВтч/км
    2013 Mitsubishi i-MiEV 0.3 кВт -ч/миль 0,19 кВт -ч/км
    2019 Honda Clarity EV 0,3 кВт -ч/миль 0,19 кВтч/км
    2019 кВт -модель S -Long Droun / км
    2018 BMW i3s (94Ah) 0,3 кВт · ч / мл 0,19 кВт-ч / км
    2021 Tesla Model Y Производительность AWD 0,3 кВт · ч / мл 0,19 кВт · ч / км
    2021 BMW i3s 0,3 кВтч/миль 0.19 кВт · ч / км
    2020 Kia Niro Электрический 0,3 кВт · ч / мл 0,19 кВт · ч / км
    2015 Nissan Leaf 0,3 кВт · ч / мл 0,19 кВт · ч / км
    2019 Nissan Leaf (40 кВт-HR аккумулятор) 0,3 кВтч/миль 0,19 кВт-ч/км
    2016 FIAT 500E 0,3 кВтч/миома 0,19 кВтч/км
    20 2020 TESLA Model SS/KM
    20 2020 TESLA модели S S SS Model SS 20202 0,3 кВтч/миль 0.19 кВтч/км
    2016 Nissan Leaf (аккумуляторная батарея 24 кВтч) 0,3 кВтч/миль 0,19 кВтч/км
    2020 Nissan Leaf 3 / мл 0,19 кВт-ч / км
    2020 Tesla Model S Стандартный диапазон 0,31 кВт-ч / мл 0,19 кВт-ч / км
    2020 MINI Cooper SE Hardtop 2 двери 0,31 кВт-ч / мл 0,19 кВтч/км
    Стандартный диапазон Tesla Model S 2019 года 0.31 кВтч/миль 0,19 кВтч/км
    2021 Nissan Leaf (аккумуляторная батарея 62 кВт-ч) 0,31 кВтч/миль 0,19 кВтч/км Nissan Leaf 0,31 кВтч/миль 0,19 кВт/км/км
    2018 Ford Focus Electric 0,31 кВтч/миль 0,19 кВтч/км
    2019 Kia Soul Electric
    2019 KIA Soul Electric
    2019. 0,19 кВтч/км
    2017 smart fortwo купе с электроприводом 0.31 кВтч/миль 0,19 кВт -ч/км
    2018 Smart Fortwo Electric Drive Coupe 0,31 кВтч/миома 0,19 кВтч/км
    2022 Mini Coper Se Hardtop 2 Дверь
    2022 Mini Coper Se Hardtop 2 DOOR 0,3123 2022 MINI COOPER. 0,19 кВт-ч / км
    2018 Kia Soul Electric 0,31 кВт-ч / мл 0,19 кВт-ч / км
    2021 MINI Cooper SE Hardtop 2 двери 0,31 кВт-ч / мл 0,19 кВт · ч / км
    2021 Tesla Model S Performance (19-дюймовые колеса) 0.31 кВтч/миль 0,19 кВтч/км
    2019 Nissan Leaf (62 кВт-HR Батарея) 0,31 кВтч/миома 0,19 кВтч/км
    2019 2019 Smart EQ Fortwo (Coupe) 99999999999999999999999999999999999999999999004
    2019 2019. 0,31 кВт · ч / мл 0,19 кВт · ч / км
    2017 Ford Focus Electric 0,31 кВт · ч / мл 0,19 кВт · ч / км
    2014 Smart ForTwo электропривод купе 0,32 кВт · ч / мл 0,2 кВт /км
    2017 Tesla Model S AWD – 60D 0.32 кВтч/миль 0,2 кВт -ч/км
    2014 Смарт -образный электрический привод. мили 0,2 кВт-ч / км
    2015 Smart Fortwo электрический привод купе 0,32 кВт · ч / мл 0,2 кВт-ч / км
    2016 Kia Soul Электрический 0,32 кВт · ч / мл 0,2 кВт-ч / км
    2016 Tesla Model S AWD — 60D 0.32 кВтч/миль 0,2 кВт -ч/км
    2020 Tesla Model x Long Drange Plus 0,32 кВтч/миль 0,2 кВтч/км
    2015 Smart Fortwo Electric Convertable 2015 Smart Fortwo Electric Driv 0,2 кВт-ч / км
    2020 Тесла Модель S Производительность (19in колес) 0,32 кВт · ч / мл 0,2 кВт-ч / км
    2016 Smart Fortwo электрический привод купе 0,32 кВт · ч / мл 0,2 кВт.ч /км
    2013 Ford Focus Electric 0.32 кВтч/миль 0,2 кВтч/км
    2020 Nissan Leaf SV/SL (батарея 62 кВт-HR) 0,32 кВтч/миль 0,2 кВтч/км
    2014 FOCUS ELECTRIC 0,2 кВтч/км
    2021 Tesla Model X Long Range Plus 0,32 кВтч/миль 0,2 кВтч/км
    Аккумулятор Nissan S-1-SL-2
    0,32 кВтч/миль 0,2 кВтч/км
    2015 Ford Focus Electric 0.32 кВт · ч / мл 0,2 кВт · ч / км
    +2017 Tesla Model S AWD — 90D 0,32 кВт · ч / мл 0,2 кВт · ч / км
    2012 Ford Focus Electric 0,32 кВт · ч / мл 0,2 кВтч / км
    2015 Kia Soul Electric 0,32 кВт · ч / мл 0,2 кВт · ч / км
    2017 Kia Soul Electric 0,32 кВт · ч / мл 0,2 кВт · ч / км
    2016 Smart Fortwo трансформируемый с электроприводом 0.32 кВт · ч / мл 0,2 кВт · ч / км
    2013 Smart Fortwo электрический привод купе 0,32 кВт · ч / мл 0,2 кВт · ч / км
    2016 Ford Focus Electric 0,32 кВт · ч / мл 0,2 кВт /км
    2013 Smart Fortwo Electric Drive Convertible 0,32 кВт-ч/миль 0,2 кВт-ч/км
    2019 Nissan Leaf SV/SL (62 кВт-чаш 0,2 кВтч/км
    2017 Tesla Model S AWD – 100D 0.33 кВтч/миль 0,21 кВтч/км
    2019 Smart EQ Fortwo (Convertible) 0,33 кВтч/миома 0,21 кВт -ч/км
    2021 TESL Model S -PLAID (21IN) 2021 TESLA MODEL (21INH WHEEL) 021 TESLA (21IN). /MI 0,21 кВтч/км
    2022 TESLA MODEL X 0,33 кВтч/миль 0,21 кВтч/км
    2022 Model Model S -PLAID (21IN WHEELS) 0.333333333333333333333333333333333333333333333333333333333333333333333333333333. кВтч/км
    2016 Tesla Model S AWD – 75D 0.33 кВтч/миль 0,21 кВт -ч/км
    2017 Смарт -обратный электрический привод. 0,21 кВт / км
    2018 Tesla Model S 100D 0,33 кВт · ч / мл 0,21 кВт · ч / км
    2016 Tesla Model S AWD — 70D 0,33 кВт · ч / мл 0,21 кВт · ч / км
    2011 BMW Active E 0.33 кВтч/миль 0,21 кВтч/км
    2019 Tesla Model S 75d 0,33 кВтч/миль 0,21 кВтч/км
    2021 FORDANG MACH-E MACH-E RWD RWD 1
    40004 40004 2021 FORDANG MACH-E MACH-E RWD CALIFORN 40004 40004 2021 FORDANG MACH -E RWD RWD 1
    2021 FORDANG. Mi 0,21 кВтч/км
    2016 Tesla Model S AWD — 90D 0,33 кВтч/миома 0,21 кВтч/км
    2017 Model SWD — 75D 0,333333333333333333333333333333333333333333333333333333. кВтч/км
    2015 Tesla Model S AWD – 70D 0.33 кВт · ч / мл 0,21 кВт · ч / км
    2019 Тесла Модель S 100D 0,33 кВт · ч / мл 0,21 кВт · ч / км
    2018 Тесла Модель S 75D 0,33 кВт · ч / мл 0,21 кВтч /км
    2018 Smart Fortwo Electric Drive Convertible 0,33 кВтч/миль 0,21 кВт/км/км
    2016 Tesla Model SWD — 85D 0,34 KWH/MI 0,21.2112
    0,21 0,21.21. 2012 Ниссан Лиф 0.34 кВтч/миль 0,21 кВтч/км
    2017 Tesla Model S (батарейный пакет 75 кВт-HR) 0,34 кВтч/миома 0,21 кВтч/км
    8 2008 Mini Minie 0,34 0,34 0,34 0,34 0,349
    8 2008 MI 0,21 кВтч/км
    2021 Ford Mustang Mach-E Rwd 0,34 кВтч/миль 0,21 кВтч/км
    2011 KWH/KWH/WHT
    2017 Tesla Model S (аккумуляторная батарея 60 кВт·ч) 0.34 кВтч/миль 0,21 кВтч/км
    2016 Tesla Model S (батарейный пакет 75 кВт-HR) 0,34 кВтч/миль 0,21 кВтч/км
    2021 Volkswagen ID.4. 0,34 кВт * ч / мл 0,21 кВт · ч / км
    2015 Tesla Model S AWD — 90D 0,34 кВт-ч / мл 0,21 кВт · ч / км
    2018 Tesla Model S 75kWh 0,34 кВт-ч / мл 0,21 кВтч/км
    Tesla Model S 2016 г. (аккумуляторная батарея 60 кВтч) 0.34 кВтч/миль 0,21 кВтч/км
    2015 Tesla Model S AWD — 85D 0,34 кВтч/миль 0,21 кВтч/км
    20222 TESL / мл 0,21 кВт · ч / км
    2019 Tesla Model X Long Range 0,35 кВт-ч / мл 0,22 кВт-ч / км
    2019 Tesla Model S P100D 0,35 кВт.ч / мл 0,22 кВт.ч / км
    2017 Tesla Model S AWD – P100D 0.35 кВтч/миль 0,22 кВтч/км
    2021 Volkswagen Id.4 Pro S 0,35 кВтч/миль 0,22 кВт/км
    2018 Model Tesla S P1009
    2018 Model TESLA SP1009
    2018 Model SC1009
    2018 Model SC1009
    2018 Modal SC1009
    2018 MoD 0,22 кВт-ч / км
    +2017 Tesla Model S AWD — P90D 0,35 кВт.ч / мл 0,22 кВт-ч / км
    2020 Tesla Model X Long Range 0,35 кВт-ч / мл 0,22 кВт-ч / км
    2015 Tesla Model S (аккумуляторная батарея 60 кВт·ч) 0.35 кВтч/миль 0,22 кВтч/км
    2021 Ford Mustang Mach-E RWD Exted 0,35 кВтч/миль 0,22 кВтч/км
    20202 кВтч/миль 0,22 кВтч/км
    2016 Tesla Model S AWD — P90D 0,35 кВтч/миль 0,22 кВтч/км
    2021 Volkswagen Id.40009 9009
    2021 VOLKSWAGEN ID.40009 9009
    2021 VOLKSWAGEN ID.40009 9009
    2021 VOLKSWAGEN
    2021. 0,22 кВтч/км
    2021 Tesla Model S Performance (колеса 21 дюйм) 0.35 кВтч/миль 0,22 кВтч/км
    2019 0,35 кВтч/миль 0,22 кВтч/км
    2016 Tesla Model S AWD-P100D 0,35 кВтч/миль 0,22 кВтч/км
    2014 Tesl Model S (60 KM-HR-HR-HR)
    2014 Tesla Model S (60 KM-HR-HR-HR-HR) 0,35 кВтч/миль 0,22 кВтч/км
    Tesla Model S 2013 г. (аккумуляторная батарея 60 кВтч) 0.35 кВтч/миль 0,22 кВт-ч/км
    2013 Tesla Model S (40 кВт-HR батарея) 0,36 кВтч/миль 0,22 кВтч/км
    2019. кВтч/миль 0,22 кВт -ч/км
    2018 Tesla Model X 75D 0,36 кВтч/миль 0,22 кВтч/км
    2017 TESLA Model X AWD — 6099999. 0,36023 2017 TESLA Model x AWD — 60999 9004 0,360.3619 2926 9000 9000
    2017 Model x. кВтч/км
    2016 Tesla Model X AWD – 75D 0.36 кВтч/миль 0,22 кВт-ч/км
    2021 Ford Mustang Mach-E AWD 0,36 кВтч/миль 0,22 кВтч/км
    2016 Модель TESLA x AWD-609999.
    0,22 кВт -ч/км
    2016 Tesla Model S AWD — P85D 0,36 кВтч/миома 0,22 кВтч/км
    2017 Model X AWD — 75D
    2015 Tesla Model S AWD – P85D 0.36 кВт · ч / мл 0,22 кВт · ч / км
    2015 Тесла Модель S AWD — P90D 0,36 кВт · ч / мл 0,22 кВт · ч / км
    2021 Ford Mustang Маха-Е AWD Extended 0,37 кВт · ч / ми 0,23 кВт-ч / км
    2016 Tesla Model X AWD — 90D 0,37 кВт · ч / мл 0,23 кВт · ч / км
    2021 Polestar 2 0,37 кВт-ч / мл 0,23 кВт · ч / км
    2017 Tesla Model X AWD — 90D 0.37 кВтч/миль 0,23 кВтч/км
    2022 Tesla Model x Плед (22 дюйма) 0,37 кВтч/миома 0,23 кВтч/км
    2016 Tesla Model S (70 KW-HR-HR-HR-HR-HR-HR-HR-HR-HR-HR-HR-HR-HR-HR-HR-HR-HR-HR-HR-HR. ) 0,38 кВтч/миль 0,24 кВт/км/км
    2015 Tesla Model S (батарейный пакет 90 кВт-HR) 0,38 кВтч/миома 0,24 кВт-ч/км
    0,38 кВт·ч/миль 0.24 кВт · ч / км
    2016 Тесла Модель X AWD — P90D 0,38 кВт · ч / мл 0,24 кВт · ч / км
    2016 Тесла Модель S (85 кВт-ч батарейный блок) 0,38 кВт · ч / мл 0,24 кВтч/км
    2016 Tesla Model S (аккумулятор 90 кВтч) 0,38 кВтч/миль 0,24 кВтч/км
    2813 0,38 кВтч/миль 0,24 кВтч/км
    2012 Tesla Model S 0.38 кВтч/миль 0,24 кВт-ч/км
    2015 Tesla Model S (батарейный пакет 85 кВт-HR) 0,38 кВтч/миома 0,24 кВтч/км
    2017 TESLA Model x AWD – P9000
    2017 2017. 0,38 кВтч/миль 0,24 кВт-ч/км
    2014 Tesla Model S AWD (85 кВт-HR Батарея) 0,38 кВтч/MI 0,24 кВт-ч/км
    0,38 кВтч/миль 0,24 кВтч/км
    2011 smart fortwo кабриолет с электроприводом 0.39 кВтч/миль 0,24 кВт -ч/км
    2011 Smart Fortwo Electric Drive Coupe 0,39 кВтч/миома 0,24 кВтч/км
    2016 Model X AWD –10099999004. 0,24 кВт · ч / км
    2021 Tesla Model X Performance (22in Wheels) 0,39 кВт · ч / мл 0,24 кВт · ч / км
    2019 Tesla Model X 100D 0,39 кВт · ч / мл 0,24 кВт.ч / км
    2017 Tesla Model X AWD — P100D 0.39 кВтч/миль 0,24 кВтч/км
    2018 Tesla Model X 100D 0,39 кВтч/миль 0,24 кВтч/км
    2017 TESLA Model X AWD — 100D 0.39.
    2017 TESLA Model x AWD — 100D 0,39 0,39 0,39 0,39.
    2017 TESLA — 100009 0,39 0,39 0,39.
    2017 TESLA — 100009
    2000 Ниссан Altra Е.В. 0,4 кВт · ч / мл 0,25 кВт · ч / км
    2017 Mercedes-Benz B250e 0,4 кВт · ч / мл 0,25 кВт · ч / км
    2019 Тесла Модель Х P100D 0.4 кВтч/миль 0,25 кВтч/км
    2014 Mercedes-Benz B-класс. 0,25 кВт · ч / км
    2016 Мерседес B250e 0,4 кВт · ч / мл 0,25 кВт · ч / км
    2015 Mercedes-Benz B-класса Электрический привод 0,4 кВт · ч / мл 0,25 кВтч /км
    Аккумулятор Porsche Taycan Perf 2021 0.41 кВт · ч / мл 0,25 кВт · ч / км
    2021 Porsche Taycan 4S Перф батареи 0,42 кВт · ч / мл 0,26 кВт · ч / км
    2021 Porsche Taycan 4S Перф Аккумулятор Plus 0,43 кВт · ч / мл 0,27 кВт-ч / км
    2021 Audi е-Tron 0,43 кВт-ч / мл 0,27 кВт-ч / км
    2020 Tesla Model X Performance (22in Wheels) 0,43 кВт-ч / мл 0,27 кВт / ч км
    2021 Volvo XC40 AWD BEV 0.43 кВтч/миль 0,27 кВтч/км
    2019 0,27 кВт-ч / км
    2002 Toyota RAV4 EV 0,43 кВт-ч / мл 0,27 кВт-ч / км
    2019 Jaguar I-Pace 0,44 кВт-ч / мл 0,27 кВт · ч / км
    2020 Jaguar I-Pace 0.44 кВт · ч / мл 0,27 кВт-ч / км
    2021 Audi е-Tron Sportback 0,44 кВт-ч / мл 0,27 кВт-ч / км
    2021 Jaguar I-Pace EV400 0,44 кВт-ч / мл 0.27 кВт * ч / км
    2013 Toyota RAV4 EV 0,44 кВт-ч / мл 0,27 кВт-ч / км
    2020 Audi е-Tron Sportback 0,44 кВт-ч / мл 0,27 кВт-ч / км
    2012 Toyota RAV4 EV 0.44 кВт · ч / мл 0,27 кВт-ч / км
    2014 Toyota RAV4 EV 0,44 кВт-ч / мл 0,27 кВт-ч / км
    2021 Porsche Taycan Turbo 0,45 кВт-ч / мл 0,28 кВт · ч / км
    2021 Porsche Taycan Perf Perm Battery плюс 0,45 кВтч/миль 0,28 кВт/км/км
    2001 Nissan Hyper-Mini 0,45 KWH/MI
    0.46 кВт · ч / мл 0,29 кВт-ч / км
    2019 Audi е-Tron 0,46 кВт · ч / мл 0,29 кВт-ч / км
    2012 CODA Automotive КОДА 0,46 кВт · ч / мл 0,29 кВт / ч KM
    2000 Toyota RAV4 EV 0,47 кВтч/миома 0,29 кВтч/км
    2020 BYD E6 0,47 кВтч/миль 9009 0,2920 кВтч/кВт/кВт
    0.29 кВтч/км
    2016 BYD E6 0,47 кВтч/миль 0,29 кВтч/км
    2018 BYD E6 0,47 кВтч/ 0,29 кВтч/км
    0,29 кВтч/км
    0,29 КВтч/кВт 0,47. 0,47 кВт · ч / мл 0,29 кВт · ч / км
    2021 Порше Taycan Turbo S 0,48 кВт · ч / мл 0,3 кВт-ч / км
    2020 Порше Taycan Turbo 0,49 кВт · ч / мл 0,3 кВт /км
    2020 Porsche Taycan 4S Perf Battery Plus 0.49 кВт · ч / мл 0,3 кВт · ч / км
    2020 Porsche Taycan Turbo S 0,5 кВт · ч / мл 0,31 кВт-ч / км
    2001 Форд Th! Nk 0,52 кВтч / мл 0,32 кВтч / км
    2014 BYD e6 0,54 кВт-ч / мл 0,34 кВт-ч / км
    2012 Azure Dynamics Transit Connect Electric Van 0,54 кВт-ч / мл 0,34 кВт-ч / км
    2012 BYD e6 0,54 кВтч/миль 0.34 кВт · ч / км
    2013 BYD e6 0,54 кВт-ч / мл 0,34 кВт-ч / км
    2012 Azure Dynamics Transit Connect Electric Вагон 0,54 кВт-ч / мл 0,34 кВт-ч / км
    2000 Ford Ranger Самовывоз 2WD 0,58 кВт · ч / мл 0,36 кВт · ч / км
    2001 Ford Ranger Самовывоз 2WD 0,58 кВт · ч / мл 0,36 кВт · ч / км
    2000 Ford Ranger Самовывоз 2WD 0 .6 кВт · ч / мл 0,37 кВт-ч / км
    2001 Ford Explorer USPS Electric 0,87 кВтч / мл 0,54 кВт.ч / км
    2002 Ford Explorer USPS Electric 0,87 кВт-ч / мл 0,54 кВтч /км

    Создание форм из моделей | Документация Джанго

    МодельФорма
    класс МодельФорма

    Если вы создаете приложение, управляемое базой данных, скорее всего, у вас будут формы, которые карта близко к моделям Django.Например, у вас может быть BlogComment модель, и вы хотите создать форму, позволяющую людям оставлять комментарии. В этом случае было бы излишним определять типы полей в вашей форме, потому что вы уже определили поля в своей модели.

    По этой причине Django предоставляет вспомогательный класс, который позволяет создавать формы класс из модели Django.

    Например:

     >>> из django.forms импортировать ModelForm
    >>> из моего приложения.модели импортные Артикул
    
    # Создайте класс формы.
    >>> класс ArticleForm(ModelForm):
    ... класс Мета:
    ... модель = Артикул
    ... fields = ['pub_date', 'headline', 'content', 'reporter']
    
    # Создание формы для добавления статьи.
    >>> форма = СтатьяФорма()
    
    # Создание формы для изменения существующей статьи.
    >>> статья = Article.objects.get(pk=1)
    >>> форма = СтатьяФорма(экземпляр=статья)
     

    Типы полей¶

    Сгенерированный класс формы будет иметь поле формы для каждого поля модели. указано в порядке, указанном в атрибуте полей .

    Каждое поле модели имеет соответствующее поле формы по умолчанию. Например, CharField на модели представлен как CharField на форме. Модель ManyToManyField представлен как MultipleChoiceField . Здесь полный список конверсий:

    Как и следовало ожидать, поле модели ForeignKey и ManyToManyField типы являются особыми случаями:

    • ForeignKey представлен django.формы.ModelChoiceField , который представляет собой ChoiceField , выбор которого является моделью QuerySet .
    • ManyToManyField представлен django.forms.ModelMultipleChoiceField , который является MultipleChoiceField выбор которых является моделью QuerySet .

    Кроме того, каждое сгенерированное поле формы имеет следующие атрибуты:

    • Если поле модели имеет пусто=Истина , то требуется устанавливается на False в поле формы.В противном случае required=True .
    • Метка поля формы установлена ​​на verbose_name модели поле с заглавной буквой первого символа.
    • Поле формы help_text установлено на help_text модели поле.
    • Если в поле модели установлено вариантов выбора , то виджет поля формы будет установлено значение Выберите , при этом выбор будет сделан из поля модели вариантов .Варианты обычно включают в себя пустой вариант, который выбран по умолчанию. Если поле является обязательным, это заставляет пользователя сделать выбор. Пустой вариант не будет включен, если модель поле имеет пусто=ложь и явное значение по умолчанию (значение по умолчанию вместо этого будет изначально выбрано значение ).

    Наконец, обратите внимание, что вы можете переопределить поле формы, используемое для данной модели поле. См. Переопределение полей по умолчанию ниже.

    Полный пример¶

    Рассмотрим этот набор моделей:

     от Джанго.модели импорта БД
    из django.forms импортировать ModelForm
    
    TITLE_CHOICES = [
        («Г-н», «Г-н»),
        («Миссис», «Миссис»),
        («МС», «Мисс»),
    ]
    
    Автор класса (модели.Модель):
        имя = модели.CharField(max_length=100)
        название = модели.CharField (max_length = 3, варианты = TITLE_CHOICES)
        рождения_дата = models.DateField (пусто = Истина, ноль = Истина)
    
        защита __str__(я):
            вернуть себя.имя
    
    Книга класса (модели.Модель):
        имя = модели.CharField(max_length=100)
        авторы = модели.ManyToManyField(Автор)
    
    класс AuthorForm(ModelForm):
        Мета класса:
            модель = Автор
            fields = ['имя', 'название', 'дата_рождения']
    
    класс BookForm (ModelForm):
        Мета класса:
            модель = книга
            fields = ['имя', 'авторы']
     

    С этими моделями подклассы ModelForm выше были бы примерно эквивалентен этому (единственное отличие состоит в методе save() , который мы обсудим через мгновение.):

     из форм импорта django
    
    класс AuthorForm(forms.Form):
        имя = формы.CharField(max_length=100)
        название = формы.CharField(
            максимальная_длина=3,
            виджет = формы. Выберите (выбор = TITLE_CHOICES),
        )
        рождения_дата = формы.DateField (обязательно = ложь)
    
    класс BookForm(forms.Form):
        имя = формы.CharField(max_length=100)
        авторы = формы.ModelMultipleChoiceField(queryset=Author.objects.all())
     

    Проверка формы

    ModelForm

    Существует два основных этапа проверки формы ModelForm :

    .
    1. Проверка формы
    2. Проверка экземпляра модели

    Как и обычная проверка формы, проверка формы модели запускается неявно при вызове is_valid() или доступе к ошибки атрибут и явно при вызове full_clean() , хотя последний метод обычно не используется в упражняться.

    Проверка модели ( Model.full_clean() ) запускается из формы шаг проверки сразу после вызова метода формы clean() .

    Предупреждение

    Процесс очистки изменяет экземпляр модели, переданный в ModelForm конструктор различными способами. Например, любые поля даты на модель преобразуется в реальные объекты даты. Неудачная проверка может оставить базовый экземпляр модели в несогласованном состоянии и, следовательно, повторное использование не рекомендуется.

    Переопределение метода
    clean()

    Вы можете переопределить метод clean() в форме модели, чтобы предоставить дополнительные проверка таким же образом, как и в обычной форме.

    Экземпляр формы модели, прикрепленный к объекту модели, будет содержать экземпляр который дает своим методам доступ к этому конкретному экземпляру модели.

    Предупреждение

    Метод ModelForm.clean() устанавливает флаг, который делает модель шаг проверки проверяет уникальность модели поля, помеченные как unique , unique_together или unique_for_date|месяц|год .

    Если вы хотите переопределить метод clean() и сохранить этот проверки, вы должны вызвать метод clean() родительского класса.

    Взаимодействие с проверкой модели¶

    В рамках процесса проверки ModelForm вызовет clean() метод каждого поля в вашей модели, которому соответствует поле в вашей форме. Если вы исключили какие-либо поля модели, проверка не будет выполняться для этих полей. поля. См. документацию по проверке формы для получения дополнительной информации о том, как работают полевая очистка и проверка.

    Метод модели clean() будет вызываться до того, как будут выполнены какие-либо проверки уникальности. сделанный. Дополнительные сведения см. в разделе Проверка объектов. на крючке модели clean() .

    Соображения относительно модели
    error_messages

    Сообщения об ошибках, определенные в на уровне поля формы или на форма Мета уровень всегда принимает приоритет над сообщениями об ошибках, определенными в модель поле уровень.

    Сообщения об ошибках, определенные в полях модели , используются только тогда, когда Ошибка ValidationError возникает на этапе проверки модели, и соответствующие сообщения об ошибках не определены на уровень формы.

    Вы можете переопределить сообщения об ошибках из NON_FIELD_ERRORS , вызванные моделью проверка путем добавления ключа NON_FIELD_ERRORS в словарь error_messages внутреннего класса ModelForm Meta :

     из django.core.exceptions import NON_FIELD_ERRORS
    из django.forms импортировать ModelForm
    
    класс ArticleForm(ModelForm):
        Мета класса:
            error_messages = {
                NON_FIELD_ERRORS: {
                    'unique_together': "%(model_name)s %(field_labels)s не уникальны.",
                }
            }
     

    Метод

    save()

    Каждый ModelForm также имеет метод save() . Этот метод создает и сохраняет объект базы данных из данных, привязанных к форме. Подкласс ModelForm может принимать существующий экземпляр модели в качестве аргумента ключевого слова instance ; если это предоставлено, save() обновит этот экземпляр. Если он не предоставлен, save() создаст новый экземпляр указанной модели:

     >>> из моего приложения.модели импортные Артикул
    >>> из myapp.forms импортировать ArticleForm
    
    # Создать экземпляр формы из данных POST.
    >>> f = Форма статьи(запрос.POST)
    
    # Сохранить новый объект статьи из данных формы.
    >>> новая_статья = f.save()
    
    # Создайте форму для редактирования существующей статьи, но используйте
    # Данные POST для заполнения формы.
    >>> a = Article.objects.get(pk=1)
    >>> f = ArticleForm(запрос.POST, instance=a)
    >>> ф.сохранить()
     

    Обратите внимание: если форма не была проверена, вызов save() сделает это путем проверки Форма .ошибки . ValueError будет вызвано, если данные в форме не проверяется, т. е. если form.errors оценивается как True .

    Если необязательное поле не отображается в данных формы, результирующая модель экземпляр использует поле модели по умолчанию , если есть один, для этого поля. Это поведение не применяется к полям, которые используют ФлажокВвод , CheckboxSelectMultiple или SelectMultiple (или любой пользовательский виджет, метод value_omitted_from_data() всегда возвращает значение False ), так как флажок снят и не выбран <выбрать несколько> не появляются в данных отправки HTML-формы.Используйте настраиваемое поле формы или виджет, если вы разрабатываете API и хотите использовать резервное поведение по умолчанию для поле, которое использует один из этих виджетов.

    Этот метод save() принимает необязательный аргумент ключевого слова commit , который принимает либо True , либо False . Если вы вызываете save() с commit=False , то он вернет объект, который еще не был сохранен в базу данных. В этом случае вы должны вызвать save() для полученного экземпляр модели.Это полезно, если вы хотите выполнить пользовательскую обработку на объекта перед его сохранением, или если вы хотите использовать один из специализированных варианты сохранения модели. совершить это True по умолчанию.

    Другой побочный эффект использования commit=False проявляется, когда ваша модель связь многие ко многим с другой моделью. Если ваша модель имеет много-ко-многим отношение, и вы указываете commit = False при сохранении формы, Django не может немедленно сохраните данные формы для отношения «многие ко многим».Это потому что невозможно сохранить данные «многие ко многим» для экземпляра до тех пор, пока экземпляр существует в базе данных.

    Чтобы обойти эту проблему, каждый раз, когда вы сохраняете форму, используя commit=False , Django добавляет метод save_m2m() к вашему подклассу ModelForm . После вы вручную сохранили экземпляр, созданный формой, вы можете вызвать save_m2m() для сохранения данных формы «многие ко многим». Например:

     # Создать экземпляр формы с данными POST.>>> f = AuthorForm(запрос.POST)
    
    # Создайте, но не сохраняйте новый экземпляр автора.
    >>> new_author = f.save(commit=False)
    
    # Измените автора каким-либо образом.
    >>> new_author.some_field = 'some_value'
    
    # Сохраните новый экземпляр.
    >>> new_author.save()
    
    # Теперь сохраните данные «многие ко многим» для формы.
    >>> f.save_m2m()
     

    Вызов save_m2m() требуется только в том случае, если вы используете save(commit=False) . Когда вы используете save() в форме, все данные, включая данные «многие ко многим», сохраняется без необходимости каких-либо дополнительных вызовов методов.Например:

     # Создать экземпляр формы с данными POST.
    >>> а = Автор()
    >>> f = AuthorForm(запрос.POST, instance=a)
    
    # Создайте и сохраните новый экземпляр автора. Больше ничего делать не нужно.
    >>> новый_автор = f.save()
     

    Кроме методов save() и save_m2m() , ModelForm работает точно так же, как и любая другая форма формы . Например, Метод is_valid() используется для проверки достоверности, метод is_multipart() метод используется, чтобы определить, требует ли форма загрузки составных файлов (и значит ли запрос.ФАЙЛЫ должны быть переданы в форму) и т.д. См. Привязка загруженных файлов к форме для получения дополнительной информации.

    Выбор полей для использования¶

    Настоятельно рекомендуется явно указать все поля, которые должны быть редактируется в форме с использованием атрибута полей . Невыполнение этого требования может легко привести к проблемам с безопасностью, когда форма неожиданно позволяет пользователю установить определенные полей, особенно когда в модель добавляются новые поля. В зависимости от того, как форма отображается, проблема может быть даже не видна на веб-странице.

    Альтернативным подходом было бы автоматическое включение всех полей или удалить только некоторые. Известно, что этот фундаментальный подход гораздо менее безопасен. и привело к серьезным эксплойтам на крупных веб-сайтах (например, GitHub).

    Однако есть два ярлыка для случаев, когда вы можете гарантировать эти проблемы безопасности к вам не относятся:

    1. Установите для атрибута fields специальное значение '__all__' , чтобы указать что все поля в модели должны быть использованы.Например:

       из django.forms импортировать ModelForm
      
      класс AuthorForm(ModelForm):
          Мета класса:
              модель = Автор
              поля = '__all__'
       
    2. Установите для атрибута исключить класса ModelForm внутреннего класса Meta значение список полей, которые необходимо исключить из формы.

      Например:

       класс PartialAuthorForm(ModelForm):
          Мета класса:
              модель = Автор
              исключить = ['название']
       

      Так как модель Автор имеет 3 поля имя , название и рождения_дата , это приведет к полям имени и рождения_дата присутствие на форме.

    Если используется любой из них, порядок отображения полей в форме будет порядок полей, определенных в модели, с экземплярами ManyToManyField появляется последним.

    Кроме того, Django применяет следующее правило: если вы установите editable=False на поле модели, любая форма , созданная из модели через ModelForm , не будет включить это поле.

    Примечание

    Любые поля, не включенные в форму по приведенной выше логике не будет установлен методом формы save() .Кроме того, если вы вручную добавить исключенные поля обратно в форму, они не будут быть инициализирован из экземпляра модели.

    Django предотвратит любые попытки сохранить неполную модель, поэтому, если модель не позволяет отсутствующим полям быть пустыми и делает не предоставлять значение по умолчанию для отсутствующих полей, любая попытка save() ModelForm с отсутствующими полями завершится ошибкой. К чтобы избежать этого сбоя, вы должны создать экземпляр своей модели с начальным значения для отсутствующих, но обязательных полей:

     автор = Автор(название='мистер')
    form = PartialAuthorForm(запрос.POST, экземпляр=автор)
    форма.сохранить()
     

    Кроме того, вы можете использовать save(commit=False) и вручную установить любые дополнительные обязательные поля:

    Форма
     = PartialAuthorForm(запрос.POST)
    автор = form.save (commit = False)
    автор.title = 'Мистер'
    автор.сохранить()
     

    Дополнительные сведения об использовании см. в разделе о сохранении форм. сохранить(фиксация=ложь) .

    Переопределение полей по умолчанию¶

    Типы полей по умолчанию, как описано в приведенной выше таблице типов полей, разумные значения по умолчанию.Если в вашей модели есть DateField , скорее всего, вы хотите, чтобы это было представлено как DateField в вашей форме. Но МодельФорма дает вам гибкость изменения поля формы для данной модели.

    Чтобы указать пользовательский виджет для поля, используйте атрибут widgets поля внутренний класс Meta . Это должен быть словарь, отображающий имена полей в виджет. классы или экземпляры.

    Например, если вы хотите CharField для атрибута имени Автор должен быть представлен