Cacher is the code snippet organizer for pro developers

# ethnoscore_net.py
# PyTorch >= 2.0

from __future__ import annotations
from dataclasses import dataclass
from typing import Dict, List, Optional, Tuple, Callable
import math
import torch
import torch.nn as nn
import torch.nn.functional as F

# ============================================================
# Utilities
# ============================================================

def masked_softmax(x: torch.Tensor, mask: Optional[torch.Tensor], dim: int = -1) -> torch.Tensor:
   

# ☝️ 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