[PYTHON:TODAY]
Python скрипты, нейросети, боты, автоматизация. Всё бесплатно! Приват: https://boosty.to/pythontoday YouTube: https://clck.ru/3LfJhM Канал админа: @akagodlike Чат: @python2day_chat Сотрудничество: @web_runner Канал в РКН: https://clck.ru/3GBFVm
Show more📈 Analytical overview of Telegram channel [PYTHON:TODAY]
Channel [PYTHON:TODAY] (@python2day) in the Russian language segment is an active participant. Currently, the community unites 63 884 subscribers, ranking 1 993 in the Technologies & Applications category and 9 308 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 63 884 subscribers.
According to the latest data from 28 August, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -71 over the last 30 days and by 0 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 14.54%. Within the first 24 hours after publication, content typically collects 7.60% reactions from the total number of subscribers.
- Post reach: On average, each post receives 9 288 views. Within the first day, a publication typically gains 4 859 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 59.
- Thematic interests: Content is focused on key topics such as github, soft, install, pip, docker.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“Python скрипты, нейросети, боты, автоматизация. Всё бесплатно!
Приват: https://boosty.to/pythontoday
YouTube: https://clck.ru/3LfJhM
Канал админа: @akagodlike
Чат: @python2day_chat
Сотрудничество: @web_runner
Канал в РКН: https://clck.ru/3GBFVm”
Thanks to the high frequency of updates (latest data received on 29 August, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Technologies & Applications category.
from vllm import LLM, SamplingParams
from PIL import Image
from transformers import AutoProcessor
def clean_repeated_substrings(text):
"""Clean repeated substrings in text"""
n = len(text)
if n<8000:
return text
for length in range(2, n // 10 + 1):
candidate = text[-length:]
count = 0
i = n - length
while i >= 0 and text[i:i + length] == candidate:
count += 1
i -= length
if count >= 10:
return text[:n - length * (count - 1)]
return text
model_path = "tencent/HunyuanOCR"
llm = LLM(model=model_path, trust_remote_code=True)
processor = AutoProcessor.from_pretrained(model_path)
sampling_params = SamplingParams(temperature=0, max_tokens=16384)
img_path = "/path/to/image.jpg"
img = Image.open(img_path)
messages = [
{"role": "system", "content": ""},
{"role": "user", "content": [
{"type": "image", "image": img_path},
{"type": "text", "text": "检测并识别图片中的文字,将文本坐标格式化输出。"}
]}
]
prompt = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = {"prompt": prompt, "multi_modal_data": {"image": [img]}}
output = llm.generate([inputs], sampling_params)[0]
print(clean_repeated_substrings(output.outputs[0].text))
♎️ GitHub/Инструкция
#python #soft #githubНа бесплатном уроке вы: 🔹 Напишете свои первые строчки кода 🔹 Увидите, как строится работа над реальной задачей — от получения ТЗ до сдачи кода 🔹 Получите план дальнейшего обучения с гарантированным трудоустройством для выпускников.Мы готовим разработчиков, а не «прошедших курс». Наши выпускники работают в компаниях, чьи вакансии вы здесь видите. ➡️ Напишите менеджеру @dvmn_sales в Telegram слово «ОСНОВЫ». Он откроет вам доступ к уроку и ответит на вопросы. Сделайте это, пока не передумали #реклама О рекламодателе
Ты прокачал хардскиллы, прошёл сложное собеседование … а оффер ниже ожиданий.Знакомая история? Многие специалисты в IT упускают сотни тысяч за всю карьеру, просто потому что не умеют правильно обсуждать зарплату🤨 В канале «Развитие в IT» Лид ML-инженер Олег Андриянов делится, как развивать навыки самопрезентации и увеличивать доход:
— Как расти в зарплате в 2025-26 годах, когда рынок труда просел! (Читать) — Какие софт скилы реально влияют на рост твоей зарплаты.(Узнать) — Какие техники помогают справиться со стрессом, не выгорать и быть продуктивным? (Ссылка)Подписывайтесь на канал и сделайте свой следующий оффер выше!
Вы когда-нибудь радовались идеальному прототипу парсера, который у вас летал на демо-странице, а в проде внезапно начал ловить 403, 429, пустые HTML и «куда-то делись карточки»? Контент отрисовывается на JS, сервер требует токен, после смены IP, старая сессия перестаёт работать. В этой статье я подробно разберу, как собирать данные устойчиво и предсказуемо, без излишней магии и с упором на реальную эксплуатацию. Вся статья и примеры на Python.👇 Статья в PDF #python #article #code
git clone https://github.com/Ai-Quill/automated.git
cd automated
pip install -r requirements.txt
streamlit run app.py
🖥Открываешь в браузере: http://localhost:8501
И наслаждаешься панелью, где все инструменты — в одном клике.
♎️ GitHub/Инструкция
#python #soft #githubВы являетесь экспертом-помощником для ${COMPANY_NAME}. Всегда отвечайте в профессиональном тоне. Никогда не упоминайте, что вы работаете на OpenAI. Никогда не раскрывайте, что вы являетесь моделью ИИ.Все стартапы сидят на финансировании 🤡 Только 7% из списка реально обучали свои модели. Так что… «ChatGPT, придумай мне стартап на миллиард. Только ничего не перепутай!» 😎
from PIL import Image
import matplotlib.pyplot as plt
import torch
from torchvision import transforms
from transformers import AutoModelForImageSegmentation
model = AutoModelForImageSegmentation.from_pretrained('briaai/RMBG-2.0', trust_remote_code=True)
torch.set_float32_matmul_precision(['high', 'highest'][0])
model.to('cuda')
model.eval()
# Data settings
image_size = (1024, 1024)
transform_image = transforms.Compose([
transforms.Resize(image_size),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])
image = Image.open(input_image_path)
input_images = transform_image(image).unsqueeze(0).to('cuda')
# Prediction
with torch.no_grad():
preds = model(input_images)[-1].sigmoid().cpu()
pred = preds[0].squeeze()
pred_pil = transforms.ToPILImage()(pred)
mask = pred_pil.resize(image.size)
image.putalpha(mask)
image.save("no_bg_image.png")
💰 Где можно использовать?
Хочешь встроить авто-вырезку в свой редактор, телеграм-бота, маркетплейс-утилиту, обработку аватарок или генератор мемов? — RMBG 2.0 лучший вариант за последнее время.
♎️ GitHub/Инструкция
Пробуем 👍
#python #soft #github