Python RU

🎯 5 ИИ-проектов, которые ты можешь собрать за выходные Хочешь прокачать навыки ML и Python без математики и Kaggle? Лови 5 готовых идей, которые можно собрать за 1–2 дня: 🔹 Голосовой ассистент — Whisper + GPT + озвучка 🔹 Чат-бот для PDF — LangChain + FAISS + OpenAI 🔹 Генератор картинок — Stable Diffusion + Gradio 🔹 Подписи к фото — BLIP + HuggingFace 🔹 TL;DR бот — BART или GPT для суммаризации текста ✅ Примеры кода ✅ Деплой на HuggingFace / Streamlit ✅ Всё реально собрать за выходные 📎 Забирай гайд — и добавь проекты в резюме: «AI developer: checked» @pythonl

СРОЧНО❗️Закидываем мастхев-каналы для Python и Java разработчиков. ➡️Прокачай свои хард-скиллы на максимум: Pythoner и Javer ➡️Сотни гигов платных материалов, книг и статей: Книжный python и Библиотека Java ➡️Скрипты, фишки и конечно же мемы: IT HUB и Memes Доступ открыли на 48 часов, успейте подписаться! ⚡

📊 Шпаргалка по Python-профайлингу: как найти узкие места в коде Разбираем 4 мощных инструмента для анализа производительности и памяти в Python. 🧠 `cProfile` — встроенный профайлер времени ✅ Показывает, сколько времени тратится на каждую функцию ✅ Идеально для быстрого анализа

python -m cProfile your_script.py

Форматированный вывод с pstats:

python -m cProfile -o result.prof your_script.py
python -m pstats result.prof

Для Jupyter:

%load_ext cprofile
%cprofile some_function()

🐍 py-spy — суперлёгкий sampling-профайлер ✅ Не требует изменений в коде ✅ Работает с чужими процессами ✅ Без тормозов, можно запускать в проде

py-spy top --pid <PID>
py-spy record -o profile.svg -- python your_script.py

👉 Показывает flame graph: удобная визуализация bottleneck-функций. 🔥 `Scalene` — профайлинг CPU, памяти и аллокаций ✅ Отслеживает: - сколько времени тратит CPU - где происходят аллокации - сколько памяти реально используется

pip install scalene
scalene your_script.py

👉 Выделяет проблемные строки, показывает выделение памяти по строчкам кода, а не только по функциям. 🧮 `memory_profiler` — анализ использования памяти ✅ Показывает, сколько памяти потребляет каждая строка ✅ Полезен для data science скриптов

pip install memory-profiler

Добавь декоратор:

from memory_profiler import profile

@profile
def my_func():
    ...

Запуск:

python -m memory_profiler your_script.py

💡 Как выбрать? | Инструмент | Что профилирует | Подходит для | |--------------------|----------------------|------------------------------| | `cProfile` | Время (встроенно) | Быстрый старт, базовый анализ | | `py-spy` | Время (sampling) | Прод, чужие процессы, flame graphs | | `Scalene` | Время + память + аллокации | Глубокий анализ по строкам | | `memory_profiler` | Только память | Data science, отладка RAM |

Ищете готовые скрипты 💻 на Python ❓ На канале Python_Scripts всегда огромный выбор 🚀 : 📍 боты 🤖 📍 парсеры 📁 📍 чекеры 🔍 📍 автоматизация 🔧 📍 многое другое 💻 Подписывайтесь и пользуйтесь❕ 👇👇👇 Ссылка на канал : 👇👇👇 https://t.me/Py_Script

🐳 Зачем и как контейнеризировать Python-приложения? Контейнеризация — не просто модный DevOps-термин. Это способ упаковать твоё Python-приложение так, чтобы оно запускалось одинаково везде — локально, на сервере и в облаке. 🔥 Зачем это нужно: ▪ никакого "у меня работает, а у него — нет" ▪ изолированные зависимости и окружение ▪ быстрый деплой и масштабирование ▪ меньше багов при переносе между средами 📦 Простой Dockerfile для Python:

FROM python:3.10-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
CMD ["python", "main.py"]

🧪 Дальше всё просто:

docker build -t my-python-app .
docker run -it my-python-app

🎯 Добавь .dockerignore, настрой .env, используй docker-compose, а для продакшена — оптимизируй образ под размер и безопасность. 📌 Если твой Python-проект всё ещё живёт в "сыром" виде — пора пересесть на контейнеры. 🔗 Полный гайд: https://www.kdnuggets.com/why-how-to-containerize-your-existing-python-apps

👉 Удаление фона изображения на Python

Создавай технологии, которые меняют рынок 💻   На AIFT учат не просто ИИ. Здесь создают людей, которые меняют финтех. Магистратура от Сбера, РЭШ и Сколтеха — это экономика, финансы, машинное обучение, цифровой банкинг и реальный опыт.   Что ты получишь ⤵️ — проектную работу со Сбером — самых сильных экспертов рынка — доступ к инфраструктуре и карьерным возможностям — стипендию и сразу два диплома   Поступай, пока набор открыт: до сентября 2025 👌

🌟 HunyuanPortrait: код и веса. Спустя чуть больше двух месяцев, Tencent опубликовала веса и код инференса проекта HunyuanPortrait - системы на основе диффузионных моделей для создания реалистичных анимированных портретов. На вход подается видео, с которого движения переносятся на целевое изображение для "оживления". Режима "тext-to-motion", судя по всему - нет. Под капотом - набор моделей на основе SVD, DiNOv2, Arc2Face и YoloFace. Разработчики уверяют, что инференс заводится на 24 Гб VRAM и их метод лучше контролирует анимацию и делает более плавные переходы между кадрами, чем существующие аналоги. ⚠️ WebUI нет, адаптации под ComfyUI - пока тоже нет. ▶️Локальный инференс:

# Clone repo
git clone https://github.com/Tencent-Hunyuan/HunyuanPortrait

# Install requirements
pip3 install torch torchvision torchaudio
pip3 install -r requirements.txt

# Run
video_path="your_video.mp4"
image_path="your_image.png"

python inference.py \
    --config config/hunyuan-portrait.yaml \
    --video_path $video_path \
    --image_path $image_path

🟡Страница проекта 🟡Набор моделей 🟡Arxiv 🖥GitHub @ai_machinelearning_big_data #AI #ML #HunyuanPortrait

🧠 AI-репетитор: диктовка на слух с проверкой — учим язык с ИИ Хочешь прокачать английский или французский, как в старой доброй школе — диктантами на слух? Только теперь вместо учителя — нейросеть, которая читает тебе текст клонированным голосом, а потом проверяет, насколько правильно ты всё понял и набрал. 📚 Это идеальный способ: • тренировать восприятие на слух • учить грамматику, орфографию и пунктуацию • делать всё без учителя, когда удобно 🧰 Что умеет скрипт 1. Генерирует аудио по заданному тексту (можно голосом носителя или твоим клонированным) 2. Диктует текст — ты вводишь, что услышал 3. Проверяет результат, выводит ошибки, % совпадения 4. Даёт подробный разбор отличий 🔧 Установка зависимостей

pip install TTS torchaudio gradio difflib

🧪 Пример скрипта

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

# Инициализация TTS
config = XttsConfig()
model = Xtts.init_from_config(config)
model.load_checkpoint("tts_models/multilingual/multi-dataset/xtts_v2")

# Текст диктанта
text = "Artificial intelligence is transforming education worldwide."

# Генерация речи
speaker_embedding = model.get_speaker_embedding("native_speaker.wav")
audio = model.tts(text, speaker_embedding=speaker_embedding)
model.save_wav(audio, "dictation.wav")

# Пользователь вводит услышанное
user_input = input("Введите, что вы услышали: ")

# Сравнение
diff = difflib.ndiff(text.split(), user_input.split())
print("\n📊 Сравнение:")
print("\n".join(diff))

# Расчёт точности
matcher = difflib.SequenceMatcher(None, text, user_input)
accuracy = matcher.ratio() * 100
print(f"\n✅ Точность: {accuracy:.2f}%")

🎯 Расширения, которые можно добавить • использовать микрофон и распознавание речи (Whisper) • генерировать несколько уровней сложности • выводить количество ошибок по категориям: пунктуация, слова, пропуски • озвучивать ошибки вслух после проверки • вести личную статистику прогресса по дням 🧠 Зачем это нужно • идеально для изучающих иностранные языки • может использоваться как проверка ученика в интерактивной форме • подойдёт даже для диктовок детям или взрослым

🐍 Хитрая задача на Python для опытных разработчиков 🔹 Уровень: Advanced 🔹 Темы: изменяемые объекты, ссылки, list multiplication, side effects 📌 Условие Что выведет следующий код?

matrix = [[0] * 3] * 3

matrix[0][0] = 1

for row in matrix:
    print(row)

❓ Вопросы 1. Почему изменяется весь первый столбец, а не только [0][0]? 2. Как работает [[0]*3]*3 и почему это опасно? 3. Как правильно создать независимую матрицу 3×3 из нулей? 🔍 Разбор ✅ Ожидаемый (и удивительный!) вывод:

[1, 0, 0]
[1, 0, 0]
[1, 0, 0]

🔧 Почему так происходит - Выражение [[0] * 3] * 3 создаёт три ссылки на один и тот же вложенный список. - matrix[0][0] = 1 меняет все строки, потому что они указывают на один и тот же объект в памяти. ⚠️ Подвох Это один из самых частых скрытых багов в Python, особенно при создании вложенных списков. 🧠 Решение Нужно использовать генератор списка, чтобы создать три независимых объекта:

matrix = [[0] * 3 for _ in range(3)]

Теперь matrix[0][0] = 1 затронет только первую строку:

[1, 0, 0]
[0, 0, 0]
[0, 0, 0]

📌 Всегда проверяй, создаёшь ли ты уникальные объекты, особенно если работаешь с вложенными структурами.

🚀 AЭРОДИСК ищет Senior Python-разработчика — в команду, где решают инженерные задачи, а не просто пишут код! Что будешь делать: — Разработка ядра СХД: репликация, метрокластеры, отказоустойчивость; — Глубокая работа с Linux, сетями и архитектурой ПО; — Погружение в продукт — от идеи до запуска; — Кросс-функциональное взаимодействие с архитекторами, QA, DevOps; 📌 Что важно: — Уверенный Python (3+ лет), Linux на уровне профи; — Понимание сетей, систем хранения, архитектурных подходов; — Желание копать вглубь, брать ответственность и расти; 👨‍💻 У нас: — Сильная команда инженеров, обучение, внутренние митапы; — Работа в офисе рядом с м. Калужская, ДМС, спорт, обучение, внутренний больничный; 👉 Подробнее Здесь ты реально прокачаешься — и  будешь делать крутой продукт.  Реклама. ООО "АЕРО ДИСК". ИНН 7731475010. erid: 2W5zFGyucEc

🐍 Задача с подвохом для продвинутых Python-разработчиков 🔹 Уровень: Advanced 🔹 Темы: особенности defaultdict, побочные эффекты, mutability, ловушки с list и dict 📌 Условие Рассмотрим следующий код:

from collections import defaultdict

def make_dict():
    return {"count": 0}

d = defaultdict(make_dict)

d["a"]["count"] += 1
d["b"]["count"] += 1
d["a"]["count"] += 1

print(d)

❓ Вопросы 1. Что будет выведено на экран? 2. Почему результат может оказаться неожиданным при использовании других вариантов реализации? 3. Что изменится, если использовать make_dict() без функции-обёртки? 🔍 Разбор ✅ Ожидаемый вывод:

defaultdict(<function make_dict at 0x...>, {'a': {'count': 2}, 'b': {'count': 1}})

🔧 Почему так происходит - defaultdict вызывает make_dict() каждый раз, когда ключа нет в словаре. - Для каждого нового ключа (`"a"` и "b"`) создаётся **новый** словарь `{"count": 0}. - d["a"]["count"] += 1 увеличивает значение "count" у собственного словаря a. ⚠️ Подвох Если бы вместо make_dict использовали один и тот же объект (например, через `lambda: some_dict`), то все ключи ссылались бы на один и тот же словарь — и значения начали бы "перетекать" между ключами:

shared = {"count": 0}
d = defaultdict(lambda: shared)

Тогда итог мог бы быть таким:

{'a': {'count': 2}, 'b': {'count': 2}}  # неожиданно!

🧠 Вывод - Никогда не используйте изменяемый объект напрямую как значение по умолчанию в defaultdict. - Используй функции-фабрики, чтобы избежать общих ссылок между элементами. - Проверяй поведение при работе со сложными структурами (`list`, `dict`) в качестве значений по умолчанию.

# Правильно:
defaultdict(lambda: {"count": 0})

# Ошибочно:
defaultdict(lambda: some_shared_dict)

📌 Используй copy.deepcopy() или фабричные функции, если создаёшь вложенные структуры.

🎮 Oh My ~God~ Git — необычная и полезная игра с открытым исходным кодом, которая помогает разобраться с GIT не через скучные туториалы, а с помощью наглядных карточек и геймплея. 🧠 В процессе ты: • Поймёшь, как устроен GIT под капотом • Научишься работать с ветками, коммитами, merge и rebase • Запомнишь команды на практике, играя 📦 Игра доступна прямо в браузере: [ohmygit.org](https://ohmygit.org/) 💻 Или можно скачать и установить с GitHub: [github.com/git-learning-game/oh-my-git](https://github.com/git-learning-game/oh-my-git) 👾 Подходит как новичкам, так и тем, кто хочет освежить знания в игровой форме.

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.