# ☝️ IMPORTANT
Pour explorer API Gateway, la première chose à savoir est qu'il existe deux versions du service, avec deux ensembles de commandes distincts :
1. **API Gateway v1** : Pour les API **REST**. Les commandes se trouvent sous aws apigateway.
2. **API Gateway v2** : Pour les API **HTTP** (plus modernes et moins chères) et les API WebSocket.
Les commandes se trouvent sous `aws apigatewayv2`.
Vous devriez donc commencer par lister les API dans chacune des deux versions pour voir ce que v
# Commande Basique
```bash
aws cloudfront list-distributions
```
# Compter les Distributions
```bash
aws cloudfront list-distributions | jq '.DistributionList.Items | length'
```
# Compter les Attributs
```bash
aws cloudfront list-distributions | jq '.DistributionList.Items[0] | length'
```
# Afficher les Attributs
```bash
aws cloudfront list-distributions | jq '.DistributionList.Items[0] | keys'
```
Voici le descriptif des attributs pour une distribution CloudFront, classés de manière logiq
# ☝️ IMPORTANT
Une distinction très importante pour S3 est qu'il existe deux ensembles de commandes :
## **`aws s3`** :
Des commandes de **haut niveau**, faciles à utiliser, qui ressemblent aux commandes Linux (ls, cp, mv, sync).
Idéal pour commencer et pour les opérations sur les fichiers.
## **`aws s3api`** :
Des commandes de **bas niveau qui correspondent directement aux appels de l'API S3**.
Elles sont plus verbeuses et puissantes.
👉 **Nécessaire pour la configuration avancée des buc
# List Tables
```bash
aws dynamodb list-tables --query "TableNames" --output table
```
# Inspect a Specific Table
## Basic
```bash
aws dynamodb describe-table \
--table-name <TABLE_NAME>
```
## Count Attributes
```bash
aws dynamodb describe-table \
--table-name <TABLE_NAME> |
jq '.Table | length'
```
## Display Attributes
```bash
aws dynamodb describe-table \
--table-name <TABLE_NAME> |
jq '.Table | keys'
```
Voici le descriptif des attributs pour une table DynamoDB, classés de manière logiq
# Basic
```bash
aws lambda list-functions
```
# Count Functions
```bash
aws lambda list-functions --query "length(Functions)"
```
# Count Attributes
```bash
aws lambda list-functions | jq '.Functions[0] | length'
```
# Display Attributes
```bash
aws lambda list-functions | jq '.Functions[0] | keys'
```
# Lambda Function Attributes
| Attribut | Description |
| :--- | :--- |
| **--- Identité et Code ---** | |
| **FunctionName** | 🆔 Le **nom unique** de la fonction dans votre compte et votre r
# Basique
```bash
aws rds describe-db-instances
```
# Count DB Instances
```bash
aws rds describe-db-instances --query "length(DBInstances)"
```
# Count Attributes
```bash
aws rds describe-db-instances | jq '.DBInstances[0] | length'
```
# Display Attributes
```bash
aws rds describe-db-instances | jq '.DBInstances[0] | keys
```
# RDS Instances Attributes
| Attribut | Description |
| :--- | :--- |
| **--- Identité et Moteur ---** | |
| **DBInstanceIdentifier** | 🆔 Le **nom unique** que vous
*.pyc
/.venv/
/**
* @param {number[]} nums
* @return {number[]}
*/
var replaceNonCoprimes = function(nums) {
// Helper function to compute GCD using Euclidean algorithm
const gcd = (a, b) => {
while (b !== 0) {
let temp = b;
b = a % b;
a = temp;
}
return a;
};
// Helper function to compute LCM
const lcm = (a, b) => (a * b) / gcd(a, b);
const stack = [];
for (let num of nums) {
stack.push(num); // Add current
andare in:
admin/config/bdi/settings --> site Tools
ed inserire i file che devono essere resi pubblici es:
/en/header-footer.html
/en/header-footer.js
andare qui:
.com/ca/en/__include-links e verificare le risorse che verranno esportate
# VPCs
## Counting VPCs
```bash
aws ec2 describe-vpcs --query "length(Vpcs)"
```
## Displaying Attributes
```bash
aws ec2 describe-vpcs | jq '.Vpcs[0] | keys'
```
***
## AWS VPCs Attributes
| Attribute | Description |
| :--- | :--- |
| **VpcId** | 🆔 L'identifiant unique et non modifiable du VPC. C'est sa "plaque d'immatriculation" (ex: `vpc-0123456789abcdef0`). |
| **CidrBlock** | 🌐 La plage d'adresses IPv4 **principale** du VPC, définie en notation CIDR (ex: `10.0.0.0/16`). C'est l'espace d'
# Guide d'organisation .bashrc et scripts AWS
## Principe fondamental : garder .bashrc léger et rapide
Le fichier `.bashrc` est exécuté à chaque ouverture de terminal. Il doit rester rapide et ne contenir que l'essentiel. Pensez-y comme au vestibule de votre maison : vous y mettez les essentiels (porte-manteau, clés), pas votre établi complet.
## Table de décision : où placer quoi ?
| Type de code | Emplacement | Raison | Exemple |
|-------------|-------------|---------|---------|
```python
# model.py
import torch
import torch.nn as nn
import torch.nn.functional as F
class GraphEncoder(nn.Module):
"""Multimodal Encoder + Graph message passing (IntentGraphNet, Sec. 3.3)."""
def __init__(self, in_dim, hidden_dim):
super().__init__()
self.embed = nn.Linear(in_dim, hidden_dim)
self.attn = nn.Linear(2 * hidden_dim, 1)
self.update = nn.Linear(hidden_dim, hidden_dim)
def forward(self, x, adj):
"""
x: [
```python
# model.py
from __future__ import annotations
from dataclasses import dataclass, field
from typing import Dict, List, Tuple, Optional, Any
import math
import random
# -----------------------------
# Data structures
# -----------------------------
@dataclass
class WorldObject:
obj_id: str
cls: str
affordances: List[str]
linguistic_tags: List[str]
semantic_anchors: List[str]
state: Dict[str, Any] = field(default_factory=dict)
@dataclass
cl
```python
# model.py
# AeroPerceptNet + GeoNarrative Alignment (simplified PyTorch version)
# Author: your-name
# License: MIT
import torch
import torch.nn as nn
import torch.nn.functional as F
# ----------------------------
# Multimodal Fusion Encoding
# ----------------------------
class FusionEncoder(nn.Module):
def __init__(self, input_dim=64, latent_dim=64):
super().__init__()
self.vis_proj = nn.Linear(input_dim, latent_dim)
self.sem_proj = n
```python
# model.py
# MoLENet + KAST minimal PyTorch implementation
# Author: your-name
# License: MIT
import torch
import torch.nn as nn
import torch.nn.functional as F
# ----------------------------
# Tokenized Dual-Branch Encoder
# ----------------------------
class DualBranchEncoder(nn.Module):
def __init__(self, input_dim, latent_dim):
super().__init__()
# static branch
self.static = nn.Sequential(
nn.Linear(input_dim, latent_di