Python RU

ByteDance выпустила новую open-source модель для генерации изображений. По первым отзывам, она показывает результаты лучше, чем Qwen-Image и Z-Image. Главная особенность — модель работает в autoregressive-режиме. Это означает, что изображение создаётся поэтапно, как текст в LLM, а не одним «шумовым» проходом, как в диффузионных моделях. Такой подход даёт: - лучшее понимание сцены и объектов - более логичную композицию - стабильность персонажей и деталей - более «осмысленную» генерацию Похожий принцип уже используют современные системы вроде GPT-Image и других новых генераторов. GitHub: https://github.com/shallowdream204/BitDance

# 🤖 WiFi DensePose: Поза без камер WiFi DensePose — система оценки позы человека, использующая данные о состоянии канала (CSI) для определения позы в реальном времени без камер. Идеально подходит для приложений в области здравоохранения, фитнеса и безопасности. 🚀 Основные моменты: - Приватность: работает без камер, используя WiFi-сигналы. - Реальное время: задержка менее 50 мс, 30 FPS. - Многопользовательский режим: отслеживание до 10 человек одновременно. - Оптимизация под конкретные задачи: здравоохранение, умный дом и безопасность. - Готовность к производству: API с аутентификацией и мониторингом. 📌 GitHub: https://github.com/ruvnet/wifi-densepose #python

🚀 Создадим бота, , КОТОРЫЙ ОТВЕЧАЕТ ЗА ТЕБЯ 24 на 7. Давайте сделаем AI, который будет отвечать людям за тебя. Работает это очень просто. Человек пишет комментарий в Telegram или в чат. Бот получает сообщение, отправляет его в GPT, генерирует ответ в твоём стиле и сразу отвечает. Для пользователя это выглядит так, как будто ты всегда онлайн. Самое важное — правильно задать промпт. Например: «Отвечай дружелюбно, кратко и в стиле автора». Тогда бот будет поддерживать диалог, благодарить за комментарии и вовлекать людей. Такой автоответчик отлично работает для каналов, прогрева аудитории, поддержки и роста активности. По сути, это твой AI-менеджер общения, который работает 24/7 и не устаёт.

import openai
from telegram import Update
from telegram.ext import ApplicationBuilder, MessageHandler, filters, ContextTypes

openai.api_key = "OPENAI_API_KEY"
TELEGRAM_TOKEN = "TELEGRAM_BOT_TOKEN"

SYSTEM_PROMPT = "Ты дружелюбный помощник автора. Отвечай кратко и по делу."

async def handle_message(update: Update, context: ContextTypes.DEFAULT_TYPE):
    user_text = update.message.text

    response = openai.ChatCompletion.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": SYSTEM_PROMPT},
            {"role": "user", "content": user_text}
        ]
    )

    reply = response.choices[0].message["content"]
    await update.message.reply_text(reply)

app = ApplicationBuilder().token(TELEGRAM_TOKEN).build()
app.add_handler(MessageHandler(filters.TEXT & ~filters.COMMAND, handle_message))

app.run_polling()

⚡️ LavaSR - улучшение речи в 4000× быстрее реального времени В open-source выложили LavaSR - модель для улучшения качества речи, которая работает с экстремальной скоростью. Что умеет модель: - Скорость — до 4000× realtime (обрабатывает часы аудио за секунды) - Универсальность — поддержка любого аудио от 8 kHz до 48 kHz - Размер — всего ~50 МБ, можно запускать практически везде - Качество — сопоставимо с более крупными моделями Где это может пригодиться - очистка шума в записях - улучшение качества звонков - подготовка аудио для ASR / speech-to-text - подкасты, стримы, voice-боты - обработка аудио на edge-устройствах Лёгкая модель + высокая скорость = удобно для реальных production-задач. Репозиторий: https://github.com/ysharma3501/LavaSR 📲Max

⚡️ Найди любого человека в файлах Эпштейна с помощью Python! Этот репозиторий позволяет проверить, упоминаются ли ваши контакты в открытых судебных документах по делу Эпштейна. Инструмент анализирует список имён (например, из LinkedIn) и ищет точные совпадения в опубликованных судебных материалах. В результате вы получаете удобный HTML-отчёт со всеми найденными упоминаниями. Что умеет: - Поиск по базе судебных документов - Сортировка упоминаний по количеству - Генерация наглядного HTML-отчёта - Работа с файлами контактов (CSV) Проверь своего друга, не был ли он замечен на печально известном острове.

Клонируем репозиторий
git clone https://github.com/cfinke/EpsteIn.git
cd EpsteIn

Установка зависимостей
pip install -r requirements.txt

Подготовьте CSV-файл с именами (по одному имени в строке)
example.csv:
Oleg Petrov
Nikolay Sobolev

Запуск анализа
python epstein.py example.csv

После выполнения будет создан HTML-отчет с найденными совпадениями

https://github.com/cfinke/EpsteIn

⚡️ Вышла Z-Image Base. Tongyi выложила фундаментальную версию модели семейства Z-Image. В отличие от ранее выпущенной Turbo, это полновесный трансформер, ориентированный на максимальное качество и управляемость генерации . Z-Image отлично подходит для дообучения, тренировки LoRA и интеграции с ControlNet. Модель поддерживает CFG и работу с негативными промптами, генерируя результат за 28–50 шагов. 📌Лицензирование:  Apache 2.0 License. 🟡Модель 🟡Демо HF 🟡Демо ModelScope 🟡Archive 🟡ComfyUI WorkFlow 🖥GitHub @ai_machinelearning_big_data #AI #ML #Diffusion #ZImage #Tongyi

Извините, готов рассматривать офферы только от 3000$

🔥 Полезная подборка каналов только код, практика и самые передовые инструменты, которые используют разработчики прямо сейчас.👇 🖥 Машинное обучение : t.me/machinelearning_interview 🖥 ИИ: t.me/ai_machinelearning_big_data 🖥 Python: t.me/pythonl 🖥 Linux: t.me/linuxacademiya 🖥 C++ t.me/cpluspluc 🖥 Docker: t.me/DevopsDocker 🖥 Хакинг: t.me/linuxkalii 🖥 Devops: t.me/DevOPSitsec 👣 Golang: t.me/Golang_google 🖥 Javascript: t.me/javascriptv 🖥 C#: t.me/csharp_ci 🖥 Java: t.me/javatg 🖥 Базы данных: t.me/sqlhub 👣 Rust: t.me/rust_code 🤖 Технологии: t.me/machineint 💰 Экономика и инвестиции в ИИ t.me/financeStable 💼 Актуальные вакансии: t.me/addlist/_zyy_jQ_QUsyM2Vi 🖥 Chatgpt бот в тг: t.me/Chatgpturbobot 📚 Бесплатные ит-книги: https://t.me/addlist/HwywK4fErd8wYzQy 🖥Подборка по Golang: https://t.me/addlist/MUtJEeJSxeY2YTFi ⚡️ Лучшие ИИ ресурсы: https://t.me/addlist/2Ls-snqEeytkMDgy Самое лучшее в этом: ты учишься даже тогда, когда “нет времени, просто потому что читаешь правильную ленту.

⚡️ Дай ИИ реальную задачу с собеседования - и покажи, как быстро он её решает. Это ломает людям представление о сложности задач. Формат простой: сначала условие на экране, потом включается таймер, ты отправляешь задачу модели, и через пару секунд уже показываешь готовое решение. Такой контраст "человек думает 20 минут - ИИ думает 3 секунды" вызывает вау-эффект и отлично удерживает внимание. Главное - бери задачу, которую зрители узнают: строки, словари, алгоритмы, обработка данных.

import time

def interview_task(nums):
    # Классическая задача: найти два числа, дающих нужную сумму
    target = 9
    seen = {}

    for i, num in enumerate(nums):
        diff = target - num
        if diff in seen:
            return seen[diff], i
        seen[num] = i

# Имитация "ИИ думает"
print("Задача отправлена ИИ...")
start = time.time()

result = interview_task([2, 7, 11, 15])

end = time.time()
print("Ответ ИИ:", result)
print("Время решения:", round(end - start, 3), "сек")

Обработка исключений при работе с API в Python Не забывайте об обработке исключений при работе с внешними ресурсами, такими как API или базы данных. Это поможет избежать неожиданных сбоев в работе вашего приложения и упростит отладку.

import requests
def fetch_data(url):
    try:
        response = requests.get(url)
        response.raise_for_status()  # Проверка на HTTP ошибки
        return response.json()  # Возвращаем данные в формате JSON
    except requests.exceptions.HTTPError as http_err:
        print(f"HTTP error occurred: {http_err}")
    except requests.exceptions.ConnectionError:
        print("Connection error occurred. Please check your internet connection.")
    except json.JSONDecodeError:
        print("Error decoding JSON response.")
    except Exception as err:
        print(f"An error occurred: {err}")
data = fetch_data("https://api.example.com/data")

🔥 Бесплатный интенсив по ChatGPT и созданию НЕЙРОСТРУДНИКОВ без опыта программирования🔥 Вы узнаете, как использовать ChatGPT в профессиональных целях, создавать нейросотрудников на заказ и зарабатывать на ИИ от 150.000р в месяц. Простое понимание основ, без сложного кода! Что будет на интенсиве? 🧬 Теория: как создаются нейро-сотрудники с GPT на Python 🧬 Практика: мы создадим нейро-консультанта, нейро-HR, нейро-маркетолога и др. Интенсив - максимально простой и доступный, без какого-либо сложного программирования. Ведущий интенсива - Senior AI-разработчик нейросетей с 2003 года и основатель Университета искусственного интеллекта - Дмитрий Романов. 🤖Присоединяйтесь к нашему бесплатному интенсиву и разберитесь в этой увлекательной теме с нами!

🌟 DOCKER КАК НАСТРОИТЬ ПЕРЕД КАЖДЫМ ПРОЕКТОМ Совет - Docker: настраивай окружение ДО начала проекта, а не когда всё уже «почти готово». Большинство проблем в проде появляется не из-за кода, а из-за разницы окружений. Правильный подход - сначала контейнерная база, потом разработка. Выбирай лёгкий базовый образ без лишнего мусора, фиксируй зависимости отдельным слоем, обязательно делай .dockerignore, чтобы не тащить в образ кэш и хлам. Сразу разделяй dev и prod конфигурации, используй docker-compose даже если сервис один, не храни секреты в Dockerfile и добавляй HEALTHCHECK, чтобы контейнер считался «живым» только когда реально работает приложение. Docker - это фундамент проекта, а не финальный штрих.

Dockerfile (база для Python-проекта)

FROM python:3.12-slim

WORKDIR /app

Сначала зависимости — кеш будет работать правильно

COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

Потом код

COPY . .

EXPOSE 8000

HEALTHCHECK CMD curl --fail http://localhost:8000/health
 || exit 1

CMD ["python", "app.py"]

.dockerignore

.git
pycache
venv
node_modules
*.log

docker-compose.yml

version: "3.9"
services:
app:
build: .
ports:
- "8000:8000"
env_file:
- .env

⚡️ Файлы по 10 ГБ - Python всё ещё справится, если не грузить всё в память Главная ошибка новичка - сделать read() и удивляться, почему всё упало. Для больших файлов думай потоками: читаем кусками, обрабатываем по строкам, пишем сразу в новый файл. Так память почти не растёт, а код спокойно переваривает десятки гигабайт. Что использовать: Итерацию по строкам - файл читается лениво Буферизацию - чтобы не делать миллион мелких операций записи Потоковую запись - результат сразу на диск gzip на лету - читаем и пишем сжатые файлы без распаковки в RAM

import gzip

src = "big.log.gz"
dst = "filtered.log.gz"

with gzip.open(src, "rt", encoding="utf-8", errors="ignore") as fin,
gzip.open(dst, "wt", encoding="utf-8") as fout:
for line in fin: # ленивое чтение строк
if "ERROR" in line: # любая ваша фильтрация
fout.write(line) # потоковая запись на диск

fout.write("\n")                  # просто пример финальной записи
fout.write("done\n")

🖥 Большинство “парсеров” умирают через 2 дня. Ты научишься делать те, которые живут в проде. Это не про BeautifulSoup ради галочки. Это про системы сбора данных, которые: • не падают от мелких правок на сайте • собирают данные в разы быстрее • обновляют всё сами по расписанию • обходят ограничения и баны • выглядят как сервис, а не хаос из файлов Ты начнёшь видеть сайты не как страницы, а как источники данных, к которым можно подключиться. В итоге ты сможешь: • забирать данные для своих проектов • автоматизировать чужую рутину • делать инструменты для аналитики • брать коммерческие заказы на сбор данных Это навык, который напрямую превращается в деньги. Не “знаю Python”, а умею добывать данные из интернета профессионально. 🎁 48 часов скидка 50% на Stepik: https://stepik.org/a/269942/

Используй декоратор для отслеживания времени выполнения функций. Для точного измерения времени выполнения различных частей вашего кода используйте time.perf_counter(), который обеспечивает более высокую точность. Создайте декоратор для автоматического отслеживания времени выполнения функций. Это поможет быстро выявить узкие места в вашем коде.

import time
def time_tracker(func):
    def wrapper(*args, **kwargs):
        start_time = time.perf_counter()
        result = func(*args, **kwargs)
        end_time = time.perf_counter()
        duration = end_time - start_time
        print(f"Функция '{func.__name__}' выполнилась за {duration:.6f} секунд")
        return result
    return wrapper
@time_tracker
def slow_function():
    time.sleep(2)
slow_function()

Используй tenacity для Retry с экспоненциальной задержкой в Python! Сохрани себе: для повторных попыток (retry) с экспоненциальной задержкой в Python можно использовать библиотеку tenacity. Это удобно для работы с нестабильными API, так как она позволяет легко настраивать количество попыток, задержку и её увеличение при каждой неудаче.

import requests
from tenacity import retry, wait_exponential
@retry(wait=wait_exponential(multiplier=1, min=2, max=10), stop=stop_after_attempt(5))
def fetch_data(url):
    response = requests.get(url)
    response.raise_for_status()  # Вызывает исключение для ошибок 4xx/5xx
    return response.json()
data = fetch_data("https://example.com/api/data")
print(data)

Machine learning без путаницы Когда только начинаешь разбираться в ML, часто возникает ощущение беспорядка — разрозненные материалы из разных источников затрудняют понимание ключевых требований, и в итоге непонятно, что на самом деле нужно учить и твое ли это направление. Бесплатный демокурс «Погружение в machine learning» от karpovꓸcourses дает структурированное первое знакомство с профессией: погрузитесь в основы Python, разберете базовые ML-подходы, видят, как данные превращаются в модели и решения, и понимают, какие навыки действительно нужны для старта. Доступ открывается сразу после регистрации, забирайте по ссылке: https://clc.to/erid_2W5zFJz8LcY Реклама. ООО "КАРПОВ КУРСЫ". ИНН 7811764627. erid: 2W5zFJz8LcY

Использование абстрактных классов в Python. Важно знать, как использовать абстрактные классы в Python для определения интерфейсов. Это поможет создать более структурированный и поддерживаемый код, обеспечивая, что все подклассы реализуют необходимые методы. Подписывайся, больше фишек каждый день !

from abc import ABC, abstractmethod
class Shape(ABC):
    @abstractmethod
    def area(self):
        pass
class Rectangle(Shape):
    def __init__(self, width, height):
        self.width = width
        self.height = height
    def area(self):
        return self.width * self.height
class Circle(Shape):
    def __init__(self, radius):
        self.radius = radius
    def area(self):
        return 3.14 * (self.radius ** 2)

🖥 Python: пакет packaging стал ощутимо быстрее — и это реально заметно в больших проектах Свежий апдейт библиотеки packaging (библиотека, которую используют pip и многие инструменты для сравнения версий и работы с зависимостями) принёс заметное ускорение ключевых операций. Это важно, потому что такие функции вызываются тысячи раз при установке зависимостей, разрешении версий и т.д. Главное, что ускорили: • Быстрее парсинг и сравнение версий (`Version` и `SpecifierSet`). • Некоторые операции (сравнения, фильтрации, хэши) стали в несколько раз быстрее. • Оптимизации направлены на самые “узкие места”, которые чаще всего тормозят pip и другие инструменты. Почему это важно для тебя: • pip будет работать быстрее при установке больших стеков зависимостей. • Инструменты сборки и CI/CD быстрее считают совместимость версий. • Оптимизация сделана без потери корректности и без усложнения API. В целом это пример, как базовая утилита в экосистеме Python может ускориться не из-за нового синтаксиса, а за счёт глубокого профилирования и целевых улучшений. Подробнее о скорости и измерениях — в исходном разборе изменений. https://iscinumpy.dev/post/packaging-faster/

🖥 Python супер-совет: `__slots__` = меньше RAM и быстрее объекты Если у тебя много однотипных объектов (DTO/модели/парсинг) - добавь __slots__. Это отключает `__dict__` у объектов: ✅ меньше памяти ✅ быстрее доступ к полям ✅ меньше мусора для GC

class User:
    __slots__ = ("id", "name")  # no __dict__
    def __init__(self, id, name):
        self.id = id
        self.name = name

Мощно в: парсерах, логах, ML-пайплайнах, highload API.