rPman

ntfs умеет символические ссылки, которые можно указать ссылающимися на любой каталог в системе, они выглядят как каталог для обычных приложений (только если приложение специально не проверяет является ли это ссылкой, но те кто проверяют, должны обрабатывать правильно) и соответственно могут читать файлы, считая что они находятся на указанном диске.

Создавая файл в таком каталоге он будет создаваться и использовать свободное место на диске, на котором лежит каталог, на который ссылается символическая ссылка.

Символические ссылки на весь диск можно создавать в остнатстке управление дисками, там где ты задаешь букву диска разделу, можно добавить каталог на уже существующем диске и он пересоздаст его как символическую ссылку на этот диск

Так же можно использовать команду mklink, позволит создавать любые символические ссылки

Еще Far Commander по кнопке Alt+F6 умеет создавать символические ссылки (интерфейс как у копирования но будет создан линк, сам определяет, нужен ли symbolic или hard, в пределах одного раздела), позволяет настроить отображение их в списке на панели (цвет например) и корректно обрабатывает показ свободного места внизу панели (если включена в настройках) для текущего каталога (если он ссылается на другой диск)

С высокой вероятностью у тебя проблема в непонимании различий между локальными и глобальными переменными.

Если бы ты включил вывод всех варнингов, то в том месте, где у тебя используется ожидаемая переменная и ее значение пустое - будет ошибка что она не определена.

p.s. есть разные способы использовать переменные глобально, в т.ч. экзотические
* если переменная определена глобально вне функций, то чтобы получить к ней доступ внутри функции, ее нужно добавить в оператор global внутри этой функции или предопределенный массив $GLOBALS (не рекомендую)
* можно определить переменную как статическую внутри класса, и получать к ней доступ везде по имени класса, типа ClassName::$variable
* есть странный способ, хранить переменную (или просто доступ к ней) через вызов глобальной функции (или статичного метода по аналогии выше), само собой на запись примитивов потребуется заворачивать переменные в структуры. Как там внутри доступ организуется, отдельный разговор, как вариант очень смешно определить переменную внутри этой же функции как static

function db()
{
  static $db=false;
  if($db===false) $db=...;
  return $db;
}
...
db()->execute(...);
// напоминаю что пример вырожденный, делать так именно для бд не рекомендую, хотя когда то таким пользовался

usb - значит реализован в виде звуковой карты + собственно микрофон и возможно усилитель, в этой схеме все три места могут быть причиной поломки

китай, алик - ... ты уверен что тебе прислали то что ты заказывал и ожидал?

p.s. убедись что сам компьютер не является источником проблем, в идеале, подключи его к другому компьютеру и добейся повторения проблем (или их отсутствия),

p.p.s. как минимум попробуй сменить порт usb (смени переднюю панель на заднюю или наоборот)

p.....s. смени ос на чистую (в т.ч. linux liveusb), чтобы исключить, хоть и маловероятную, причину в глюках установки

У тебя ошибка в терминах - работой с текстами занимаются языковые модели, а 'распознавание текста' это работа с изображением или звуком с целью преобразования его в текст.

С нуля этим заниматься будет очень сложно, нужны большие датасеты, причем большие - это порядка сотен миллионов или миллиардов токенов, причем размеры моделей могут быть не слишком большими. До эпохи трансформеров алгоритмы работы с текстом 'не понимали смысла'.

Лучшее что сейчас есть готовое это LLM на основе трансформера (GPT). Предобученных моделей огромное количество, из открытых и более менее рабочих - opt (не доступна нормальная 175b и кажется только английский) и bloomz (мультиязыковая, смотри таблицу разных размеров) но они значительно слабее chatgpt35 и никто не приблизился к chatgpt4. По ссылкам подробное описание, там есть информация как использовать примеры. К сожалению работа с языковыми моделями требует очень дорогое оборудование, а на процессоре они работают в сотни раз медленнее (код так написан, он оптимизирован для gpu).

Что значит слабее - это значит хоть знаний в этим модели влито огромное количество, но воспользоваться ими можно будет качественно только после fine tuning - дообучения на своих данных (примеры вопрос - ответ например, но не обязательно), главное тут то что количество данных для этого может быть очень маленьким (тысячи или даже сотни примеров). Есть алгоритмы peft - которые вместо тюнинга самой модели, работают с весами токенов запроса, это не вносит новых знаний в модель но увеличивает качество ответа (этим пользуются во время проведения бенчмарков сравнения моделей, например prompt tuning), я слышал что для этих алгоритмов количество примеров может быть еще меньше - десятки.

p.s. llama одна из лучших 'доступных' моделей (мультиязычная от 30b) но использование ее без разрешения facebook нелегально, и ее можно даже не дообучать (но рекомендуется добавлять в запрос хотя бы один-два примера, сколько позволит мизерный размер контекста в 2к токенов), с ее качеством можно буквально анализировать смысл текста простыми вопросами.

llama.cpp - код по запуску (не обучению) gpt моделей, не только llama, на процессоре (есть слабая поддержка gpu) оптимизированно на столько хорошо, что медленее дорогих сборок с gpu в десяток раз (а десктопные могут работать сравнимо с топовыми cpu), например llama30b обрабатывает 250мс на токен запроса и 500мс на генерацию (65b - 1100мс на генерацию).

Из недостатков - слабая логика и плохая детекция конца ответа (может уйти в генерацию мусорного текста), требует определять логику завершения генерации 'снаружи', например часто достаточно выставить финишным текстом ### (управляющие символы, часто встречаются в галюцинациях и могут использоваться для оформления запроса)