Python RU

Python уже покорен? А как насчет Django?   Один из ведущих провайдеров IT-инфраструктуры Selectel подготовил бесплатный мини-курс по Django. Программа начинается с создания и настройки простых проектов: блога и канбан-доски, а завершается подключением автоматических бэкапов.   Всего за час вы научитесь: 1️⃣ Работать с бэкендом и API 2️⃣ Создавать веб-приложение по шаблону от Django 3️⃣ Настраивать Nginx и Gunicorn 4️⃣ Автоматизировать резервное копирование   Переходите в Академию Selectel, чтобы начать изучение прямо сейчас Реклама. АО «Селектел», ИНН 7810962785, ERID: 2Vtzqx3SoDv

🗣 Мини-скрипт: говори по-русски своим клонированным голосом (Coqui TTS) Вот минимальный Python-скрипт на базе модели xtts_v2 от Coqui, который позволяет ввести текст на русском языке и получить аудиофайл с твоим клонированным голосом. 📦 Перед запуском установи зависимости:

pip install TTS soundfile torchaudio

📄 Сохрани этот код как russian_voice_clone.py и запусти:

from TTS.tts.configs.xtts_config import XttsConfig
from TTS.tts.models.xtts import Xtts

# 📁 Путь к твоему голосовому файлу
voice_sample_path = "your_voice.wav"

# 📝 Ввод текста
text = input("Введите текст на русском: ")

# ⚙️ Загрузка модели
config = XttsConfig()
model = Xtts.init_from_config(config)
model.load_checkpoint("tts_models/multilingual/multi-dataset/xtts_v2")

# 🎤 Создание эмбеддинга
speaker_embedding = model.get_speaker_embedding(voice_sample_path)

# 🔊 Синтез речи
output_wav = model.tts(text, speaker_embedding=speaker_embedding)

# 💾 Сохранение
model.save_wav(output_wav, "output_russian.wav")
print("✅ Аудио сохранено как output_russian.wav")

📌 Убедись, что: - Файл your_voice.wav формата: .wav, 16 кГц, моно. - Можно использовать речь любой длины (желательно от 1 минуты). - Вводи любой текст на русском — результат будет с твоим голосом.

💡 Извлечение ключевых данных из документов Подписи: ➡️ Document Content → Содержание документа ➡️ Define Context(Aspect) → Определите контекст (Аспект) ➡️ Select your LLM Model → Выберите модель LLM ➡️ Extract information → Извлеките информацию

🐍 Python-задача с подвохом: “Список-призрак” 📘 Условие Посмотри на этот код:

def append_item(item, lst=[]):
    lst.append(item)
    return lst

result1 = append_item(1)
result2 = append_item(2)
result3 = append_item(3)

print(result1)
print(result2)
print(result3)

❓ Вопрос: Что выведет программа и почему? 🔍 Варианты ответа: А)

[1]  
[2]  
[3]

Б)

[1]  
[1, 2]  
[1, 2, 3]

В)

[3]  
[3]  
[3]

✅ Правильный ответ: Б Почему? 💥 Подвох: аргумент lst=[] — мутабельный объект, и он создаётся только один раз при определении функции, а не при каждом вызове. 📌 То есть каждый вызов append_item модифицирует один и тот же список, который "помнит" все предыдущие элементы. ✅ Как исправить:

def append_item(item, lst=None):
    if lst is None:
        lst = []
    lst.append(item)
    return lst

Теперь каждый вызов создаёт новый список, если его не передали явно. ⚠️ Подвох • Аргументы по умолчанию вычисляются один раз • Это работает и с dict, и с set, и с любыми объектами • Даже опытные Python-разработчики иногда "попадаются" на этом 🎯 Отлично подходит для проверки глубокого понимания поведения функций в Python.

⚡️ HunyuanCustom: консистентная видеогенерация c инпейнтом и липсинком. Tencent выпустила HunyuanCustom, фреймворк, который не только генерирует видео по заданным условиям, но и умеет сохранять консистентность субъектов, будь то человек, животное или предмет. Модель справляется даже с мультисубъектными сценами: в демо-роликах люди естественно взаимодействуют с предметами, а текст на упаковках не плывет между кадрами. В основе модели лежит улучшенный механизм слияния текста и изображений через LLaVA. Например, если вы загружаете фото женщины в платье и текст «танцует под дождем», система анализирует оба инпута, связывая описание с визуальными деталями. Но главное - это модуль временной конкатенации: он «растягивает» особенности изображения вдоль временной оси видео, используя 3D-VAE. Это помогает избежать «прыгающих» лиц или внезапных изменений фона, проблемы, которая характерна даже для топовых моделей видеогенерации. Tencent переработали и пайплайн аудио. Для синхронизации звука с движениями губ или действиями в кадре HunyuanCustom использует AudioNet, модуль, который выравнивает аудио- и видеофичи через пространственное кросс-внимание. Фреймворк поддерживает возможность замены объекта в готовом ролике (скажем, подставить новую модель кроссовок в рекламу), модель сжимает исходное видео в латентное пространство, выравнивает его с шумными данными и встраивает изменения без артефактов на границах. Экспериментальные тесты показали, что HunyuanCustom обходит конкурентов по ключевым метрикам. Например, Face-Sim (сохранение идентичности лица) у Tencent — 0.627 против 0.526 у Hailuo, а с Keling, Vidu, Pika и Skyreels разрыв еще больше. ⚠️ Для работы модель требует минимум 24 ГБ видеопамяти для роликов 720p, но чтобы раскрыть все возможности, разработчики рекомендуют 80 ГБ VRAM. Код и чекпоинты уже доступны в открытом доступе, а в репозитории есть примеры запуска как на нескольких GPU, так и в экономном режиме для потребительских видеокарт. 📌Лицензирование кода : Tencent Hunyuan Community License. 🟡Страница проекта 🟡Модель 🟡Arxiv 🖥GitHub @ai_machinelearning_big_data #AI #ML #Video #HunyuanCustom #Tencent

🔧 telegram-member-adder-scrapper ▪ Автор: takitakir ▪ Репозиторий: telegram-member-adder-scrapper Описание: Этот проект представляет собой скрипт для Telegram, который сочетает две ключевые функции: 1️⃣ Сбор участников (scraper): Извлекает список пользователей из открытых Telegram-групп. Полученные данные можно сохранять для дальнейшего использования. 2️⃣ Добавление участников (adder): Позволяет массово добавлять собранных пользователей в целевую группу Telegram. Поддерживает добавление через несколько аккаунтов, что снижает риск блокировки. Особенности: ▪ Автоматизация с помощью Telethon (Telegram API). ▪ Поддержка мультиаккаунтов для обхода лимитов Telegram. ▪ Простая конфигурация через config.data файл. ▪ Возможность фильтровать участников по различным критериям. ▪ Логирование процесса добавления и ошибок. Применение: 💡 Проект используется для маркетинговых задач, прироста аудитории в Telegram-группах и быстрой миграции участников между чатами. Важно: 🚫 Telegram строго запрещает массовое добавление пользователей без их согласия. Использование такого скрипта может привести к блокировке аккаунта или юридическим последствиям. Проект предоставлен только в образовательных целях. 👉 Github

# 🔐 Современные алгоритмы шифрования: обзор и примеры Шифрование — основа информационной безопасности. От мессенджеров и банковских систем до VPN — всё держится на надёжных алгоритмах шифрования. Сегодня используются десятки алгоритмов, но среди них выделяются несколько актуальных, проверенных и широко применяемых. Давайте разберём их понятным языком. --- ## 1️⃣ AES (Advanced Encryption Standard) AES — стандарт симметричного блочного шифрования. Принят в 2001 году, заменил DES. Используется один ключ для шифрования и дешифрования. - Блок данных: 128 бит - Ключи: 128, 192 или 256 бит - Количество раундов: 10, 12, 14 ### 💡 Где используется? - HTTPS - VPN (OpenVPN, WireGuard) - ZIP-архивы - WhatsApp, Signal ### 🐍 Пример на Python (PyCryptodome):

from Crypto.Cipher import AES
from Crypto.Random import get_random_bytes
from Crypto.Util.Padding import pad, unpad

key = get_random_bytes(16)  # 128-битный ключ
cipher = AES.new(key, AES.MODE_CBC)

data = b"Secret message"
padded = pad(data, AES.block_size)
encrypted = cipher.encrypt(padded)

print("Encrypted:", encrypted)

# Для дешифрования нужен IV
iv = cipher.iv
cipher_dec = AES.new(key, AES.MODE_CBC, iv)
decrypted = unpad(cipher_dec.decrypt(encrypted), AES.block_size)

print("Decrypted:", decrypted.decode())

2️⃣ RSA (Rivest–Shamir–Adleman) RSA — алгоритм с асимметричными ключами (есть открытый и закрытый ключи). Подходит для безопасной передачи данных и цифровых подписей. - Размер ключей: от 1024 до 4096 бит - Основан на сложности факторизации больших чисел 💡 Где используется? - TLS/SSL - PGP/GPG - Электронные подписи ### 🐍 Пример на Python (cryptography):

from cryptography.hazmat.primitives.asymmetric import rsa, padding
from cryptography.hazmat.primitives import hashes

# Генерация ключей
private_key = rsa.generate_private_key(public_exponent=65537, key_size=2048)
public_key = private_key.public_key()

message = b"Secret message"

# Шифрование
ciphertext = public_key.encrypt(
    message,
    padding.OAEP(mgf=padding.MGF1(algorithm=hashes.SHA256()), algorithm=hashes.SHA256(), label=None)
)

print("Encrypted:", ciphertext)

# Дешифрование
plaintext = private_key.decrypt(
    ciphertext,
    padding.OAEP(mgf=padding.MGF1(algorithm=hashes.SHA256()), algorithm=hashes.SHA256(), label=None)
)

print("Decrypted:", plaintext.decode())

3️⃣ ChaCha20 (с поточной схемой Poly1305) ChaCha20-Poly1305 — алгоритм поточного шифрования с аутентификацией. Быстрее AES на мобильных устройствах и устойчив к атакам на побочные каналы. - Ключ: 256 бит - Потоковый шифр + аутентификация (AEAD) ### 💡 Где используется? - TLS 1.3 - Google Chrome - WhatsApp - OpenSSH ### 🐍 Пример на Python (cryptography):

from cryptography.hazmat.primitives.ciphers.aead import ChaCha20Poly1305
import os

key = ChaCha20Poly1305.generate_key()
nonce = os.urandom(12)

chacha = ChaCha20Poly1305(key)
data = b"Secret message"

# Шифрование
encrypted = chacha.encrypt(nonce, data, None)
print("Encrypted:", encrypted)

# Дешифрование
decrypted = chacha.decrypt(nonce, encrypted, None)
print("Decrypted:", decrypted.decode())

## 🏆 Как выбрать алгоритм? | Задача | Алгоритм | |------------------------------|------------------| | Шифрование файлов | AES | | Безопасная передача ключа | RSA | | Быстрое шифрование в сети | ChaCha20-Poly1305| | Цифровая подпись | RSA, ECDSA | ✍️ Вывод - Для симметричного шифрования лучше использовать AES или ChaCha20. - Для обмена ключами и подписей — RSA или эллиптические алгоритмы (ECDSA, ECDH). - Все алгоритмы нужно использовать в правильных режимах и с дополнительными проверками целостности (например, GCM, Poly1305). Современные алгоритмы — это не просто "шифрование", а комплексная система защиты данных. Выбирайте подходящий инструмент под задачу! 👉Подробнее

🎯 GitHub Copilot — обновления в Visual Studio 17.14 Preview 3 🎯 1) Более глубокая интеграция Copilot Chat ● Теперь чат встроен прямо в редактор, можно задать вопрос по коду без открытия панели. ● Выделяешь фрагмент — пишешь “Explain this” — ответ в tooltip. 🎯 2) Поддержка многих языков ● С++, C#, JavaScript, Python — лучше понимает контекст многоязычных проектов. ● Корректнее читает namespace, dependency, partial classes. 🎯 3) Действия напрямую из чата ● Теперь можно нажать Insert/Replace прямо в чате, и код появится в файле. ● Можно отменить через Undo в VS. 🎯 4) Встроенная документация ● Спросишь “How to use HttpClient in C#?” — получишь код и объяснение без браузера. 🎯 5) Новый UI Copilot Chat ● Стал компактнее, добавили markdown , свертывание длинных блоков. 👀 GitHub Copilot в VS все ближе к роли интерактивного ассистента — а не просто генератора. Уже пробовали? ✔️ Релиз

🧠 RegExp: Как найти строки с IP-адресами в логах Частая задача — выцепить IP-адреса из логов. Вот регулярка и однострочник, которые помогут:

grep -Eo '([0-9]{1,3}\.){3}[0-9]{1,3}' /var/log/nginx/access.log

📌 Что делает: - -Eo — включаем расширенные регулярки и выводим только совпадения - ([0-9]{1,3}\.){3}[0-9]{1,3} — шаблон для IPv4-адресов 💡 Можно дополнительно убрать дубликаты и отсортировать по частоте:

grep -Eo '([0-9]{1,3}\.){3}[0-9]{1,3}' /var/log/nginx/access.log | sort | uniq -c | sort -nr | head

🚀 Покажет топ IP-адресов по количеству обращений — удобно для анализа трафика и выявления подозрительной активности.

🌟 Kimi-Audio: открытая модель для аудиозадач. Kimi-Audio — инструктивная модель с 7 млрд. параметров, разработанная командой MoonshotAI, которая объединяет распознавание речи, анализ аудиоконтента и генерацию ответов в реальном времени в единую архитектуру. Модель показала SOTA-результаты на множестве аудиобенчмарков, от распознавания речи до эмоционального анализа. Архитектура Kimi-Audio — это 3 компонента: 🟢Гибридный токенизатор, который преобразует аудио в дискретные семантические токены (12.5 Гц) через векторное квантование и дополняет их непрерывными акустическими признаками из Whisper. 🟢Модифицированная LLM (на базе Qwen 2.5 7B) с общими слоями для мультимодальных данных и раздельными «головами» для генерации текста и аудио. 🟢Детокенизатор на основе flow matching и BigVGAN. Он превращает токены обратно в звук с задержкой менее секунды благодаря чанковому потоковому декодированию и look-ahead механизму. Отдельного внимания заслуживает пайплайн обучения, к нему команда разработки подошла ответственно и скрупулезно: 13 млн часов аудио были обработаны через автоматический конвейер, включающий шумоподавление, диаризацию и транскрипцию. Для повышения качества сегменты объединялись по контексту, а транскрипции дополнялись пунктуацией на основе пауз. После предобучения на задачах ASR и TTS модель прошла этап SFT на 300 тыс. часов данных (развернутые диалоги и аудиочаты). В тестах ASR Kimi-Audio показала: WER 1.28 на LibriSpeech test-clean против 2.37 у Qwen2.5-Omni. В аудиопонимании она лидирует на ClothoAQA (73.18) и MELD (59.13), а в классификации сцен (CochlScene) показывает 80.99 — на 17 пунктов выше ближайшего соперника. В диалогах модель близка к GPT-4o (3.90 против 4.06 по субъективной оценке). 📌 Лицензирование кода : Apache 2.0 License. 📌 Лицензирование модели: MIT License. 🟡Модель 🟡Техотчет 🖥GitHub @ai_machinelearning_big_data #AI #ML #KimiAudio #MoonshotAI

Я пожалею об этом, но ладно... В общем сливаю вам самый топовый источник слитых курсов, бесплатных книг, программ, лучших шпаргалок для разработчиков. Если после этого не сможешь стать Сениором, то ты безнадежен! Вот ссылка - https://t.me/+ZLrCusZbNeYyODli

🖥 Python на скорости Rust Новый Function (fxn) — фреймворк, который компилирует Python-функции в нативный код с производительностью, сравнимой с Rust. 🧠 Как это работает? - Использует символическое трассирование на CPython для анализа функций - Генерирует промежуточное представление (IR) - Транслирует IR в C++ или Rust, а затем компилирует в бинарный код - Поддерживает платформы: Linux, Android, WebAssembly и др. 📦 Пример: @compile def fma(x: float, y: float, z: float) -> float: return x * y + z После компиляции вы получаете нативный бинарник, который можно запускать без интерпретатора Python. 🔗 Подробнее 🔗 Github @pro_python_code #Python #Rust #fxn #Compiler #Performance #AI #ML #Wasm

🌐 GeoPincer — это Python-скрипт, использующий Overpass API OpenStreetMap для поиска местоположений, где определенные объекты находятся в непосредственной близости друг от друга! 🌟 Скрипт принимает в качестве входных данных базовую область поиска и как минимум два названия объектов (например, магазины или достопримечательности), которые расположены рядом. По умолчанию, расстояние между объектами устанавливается в 500 метров, но может быть изменено с помощью аргумента --distance. Результаты поиска предоставляются в виде URL-адресов Google Maps, указывающих на найденные локации. 🔐 Лицензия: MIT 🖥 Github @pro_python_code

🤖 Исследователи обнаружили тревожный тренд: ИИ-ассистенты вроде ChatGPT и Gemini всё чаще предлагают код с несуществующими зависимостями. Злоумышленники быстро адаптировались — они регистрируют эти галлюцинированные названия в PyPI и NPM, наполняя их вредоносным кодом. Под особой угрозой разработчики, практикующие vibe-coding — бездумное копирование ИИ-подсказок. Некоторые фейковые пакеты выглядят убедительно: имеют документацию, GitHub-репозитории и даже блоги-однодневки. ‼️ Фонд Python называет эту тактику «слопсквоттинг» (от *slop* — «мусорный вывод ИИ») и усиливает защиту репозиториев. Пока главная рекомендация — вручную проверять каждую зависимость, даже если её рекомендует ИИ. 🔗 Ссылка - *клик*

🖥 Огромная библиотеку Linux-команд Реально огромная: более 5000 страниц, всё удобно разложено по категориям. Можно пользоваться онлайн или скачать для локального использования. #linux #commands #library

❓ Что выведет следующий код на Python?

a = 256
b = 256
c = 257
d = 257

print(a is b)  # #1
print(c is d)  # #2

print(True + True + True == 3)  # #3
print(True is 1)               # #4
print(False == 0)              # #5
print(False is 0)              # #6

🔢 Варианты ответа: A)

True
True
True
True
True

B)

False
True
False
True
False

C)

False
True
False
True
False

D)

True
False
False
False
False

✅ Правильный ответ: B 💡 Почему? - a is b → True, потому что int от -5 до 256 кэшируются. - c is d → False, число 257 не кэшируется. - True + True + True == 3 → True, более того, True == 1. - True is 1 → False — это разные типы (bool и int). - False == 0 → True, False is 0 → False.

Хотите освоить программирование или сменить работу в IT? А вы готовы всего за час создать и опубликовать целое приложение? Отлично! Тогда присоединяйтесь к онлайн-конференции «Как создать первый проект на Python и Java с нуля»! Новички в IT узнают: - какой язык программирования лучше выбрать для старта - как быстро создать и развернуть приложение - как работают Python и Java на практике - как размещать код на GitHub и работать с репозиториями - какие дополнительные инструменты использовать для профессионального роста Программисты на других языках, и те, кто ищет новые возможности в IT: - поймёте, какие IT-технологии сейчас востребованы - узнаете, какие навыки прокачивать для успешной смены деятельности - отработаете навыки быстрой сборки и быстрого развёртывания проекта - узнаете о новых возможностях для обучения и развития Также вас ждёт квиз с призами! Спикеры: Сурен Хоренян: бэкенд-разработчик на Python, руководитель команды в «VK Рекламе» Сергей Прощаев: Java-разработчик Бонус! Скидка 7% на любой курс OTUS и полезные материалы в подарок! 18 апреля, 19:00 МСК Бесплатно Записаться на событие - https://otus.pw/ytni/?erid=2W5zFFy2wqa Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

🧹 Очистка данных в Docker: как освободить место и ускорить работу Docker — мощный инструмент, но со временем он начинает засоряться контейнерами, образами, томами и сетями. Это тормозит систему и забивает диск. Вот как быстро навести порядок: ▪ Удалить остановленные контейнеры

docker container prune

▪ Удалить неиспользуемые образы

docker image prune
docker image prune -a

▪ Удалить неиспользуемые сети

docker network prune

▪ Удалить неиспользуемые тома

docker volume prune

▪ Комплексная очистка всего окружения

docker system prune
docker system prune -a

⚙️ Автоматизация очистки (раз в неделю через cron)

 0 * * 0 /usr/bin/docker system prune -f

📦 Для Docker Compose-проектов

docker-compose down --remove-orphans

✅ Регулярная очистка — залог стабильности и свободного пространства. Привычка, за которую ваша система скажет спасибо. @DevopsDocker

🙂 Раскрываем секрет собственных векторов: математическое оружие на собеседовании Что объединяет успешный собес и продвинутый анализ данных? Оба требуют способности выделять главное из информационного шума! В мире данных этот суперскилл называется методом главных компонент (PCA) — это как рентген для ваших данных, который мгновенно показывает всю суть, отбрасывая неважные детали. Например, мы проанализировали 453 акции компаний из списка S&P 500 и выяснили, что всего одна главная компонента объясняет 38% всей динамики рынка. Как такое возможно? 😘 Расскажем на воркшопе «Математика машинного обучения на практике» 21 апреля! Вы будете работать с реальными данными, научитесь выявлять скрытые закономерности и применять эти инсайты в своих проектах. Стоимость: 3990 ₽ Не беспокойтесь, если теоретическая база пока хромает — вы можете заранее посмотреть запись нашего вебинара по основам по ссылке ниже. ➡️ Забронировать место на воркшопе: https://proglib.io/w/381f48bd Реклама. ИП Дрёмов Артём Сергеевич, ИНН 771391651571. Erid 2VtzqvFafi1