Python Portal

Как работать с requirements.txt и не запутаться в зависимостях Когда Python-проект разрастается, в нём появляется десятки библиотек. Чтобы не ставить их вручную и не ломать окружение, используется файл requirements.txt - список всех зависимостей проекта. Чтобы сохранить список установленных библиотек, достаточно одной команды:

pip freeze > requirements.txt

Она выгрузит все текущие пакеты и их версии в requirements.txt. Чтобы развернуть проект на другой машине или сервере, выполняем:

pip install -r requirements.txt

Все нужные пакеты установятся автоматически — с нужными версиями. В requirements.txt можно указывать версии библиотек по-разному:

numpy==1.21.0     # строгая версия  
pandas>=1.3.0     # версия не ниже указанной  
requests          # установится последняя

И не забывай: комментарии начинаются с #.

# Основные зависимости
numpy==1.21.0
pandas>=1.3.0

# Для тестов
pytest

Если проект большой то можно разбить зависимости:

# requirements.txt
-r base.txt
-r dev.txt

Так ты отделишь продакшен-зависимости от тех, что нужны только для разработки. Чтобы зафиксировать версии пакетов без прямого указания в основном файле, можно использовать constraints.txt:

pip install -r requirements.txt -c constraints.txt

Пример: requirements.txt:

numpy==1.21.0
pandas

constraints.txt:

pandas<=1.3.5

Для разных задач - свои зависимости:

requirements-dev.txt     # разработка  
requirements-test.txt    # тесты  
requirements-prod.txt    # продакшен

Пример:

pip install -r requirements-dev.txt

Чтобы подтянуть свежие версии библиотек:

pip install --upgrade -r requirements.txt

Всегда изолируй зависимости:

python -m venv venv
source venv/bin/activate    # macOS/Linux  
venv\Scripts\activate       # Windows
pip install -r requirements.txt

👉 @PythonPortal

Разработчик представил собственный open-source клон NotebookLM, который способен обрабатывать мультимодальные данные, собирать знания из разных источников и даже генерировать подкасты. По словам автора, цель проекта не повторить оригинал, а разобраться, как работают современные инструменты для обучения и исследований, реализовав их шаг за шагом. Функциональность впечатляет: - обработка текста, аудио, видео, ссылок и роликов с YouTube; - создание единой базы знаний и поиск по ней через RAG; - система памяти, запоминающая диалоги и предпочтения пользователя; - генерация подкастов с помощью локальной модели синтеза речи. Весь проект полностью открытый и доступен на GitHub, а сборка работает локально, без облачных зависимостей. 👉 @PythonPortal

А случайно ли это было? 👉 @PythonPortal

Художник показал эволюцию глубокого обучения в честь Нобелевской премии Джеффри Хинтона В сети появилась анимация “Evolution of Deep Learning by Hand” - творческая работа, посвящённая ключевым идеям, которые Джеффри Хинтон внёс в развитие глубокого обучения. Автор вручную нарисовал эволюцию концепций, лежащих в основе современных нейросетей, в знак признания вклада Хинтона, недавно удостоенного Нобелевской премии. 👉 @PythonPortal

Stack Overflow не умер, он делает мощный камбэк Да, наш любимый Stack Overflow, где мы все когда-то искали ответы на «почему не работает мой код», снова в игре. Они запустили Stack Overflow AI На первый взгляд это может напоминать ChatGPT или другие AI-инструменты, но ключевое отличие в том, что он работает на базе огромной базы знаний разработчиков, которую Stack Overflow собирал годами Похоже, Stack Overflow снова нашёл способ быть незаменимым. 🩷 👉 @PythonPortal

Совет по Python: Кортежи - неизменяемые, то есть их нельзя менять. Точнее говоря, сам кортеж - его длина и ссылки на объекты не могут изменяться. Но если внутри кортежа лежит ссылка на изменяемый объект, этот объект можно менять.

>>> a = (10, ["S","u","m","m","e" ,"r"], "abc")

>>> a[1] = ["S","u","m","m","e" ,"r", "Mode"]
TypeError: 'tuple' object does not support item assignment

>>> a[1].append("Mode")
>>> a
(10, ['S', 'u', 'm', 'm', 'e', 'r', 'Mode'], 'abc')

👉 @PythonPortal

Чёрт, не верится, что этот инструмент бесплатный и с открытым исходником 🤯 Идеальный конвертер файлов: без ограничений по размеру, без рекламы и полностью open source. - Конвертирует изображения, видео, документы и многое другое - Быстрый и простой в использовании - Поддерживает кучу форматов - Без регистрации и прочей ерунды Обязательная штука для разработчиков, дизайнеров, контент-мейкеров, короче, для всех, кто работает с файлами :) 👉 @PythonPortal

Всё просто 👉 @PythonPortal

Не программируй больше в одиночку в VS Code. Это расширение добавит питомцев прямо в твой редактор Забираем здесь. GitHub тут 👉 @PythonPortal

Роадмап по AI Engineering, которому реально могут следовать новички. Всё построено на 100% бесплатных, опенсорс и комьюнити-ресурсах Все ресурсы можно найти здесь: GitHub 👉 @PythonPortal

Принес годноту: свежие доклады по аналитике Чуть контекста:

20 сентября в Москве прошла Data Driven - ежегодная конфа для аналитиков от Поиска и Рекламных технологий Яндекса.

Вот пара докладов, что особенно мне откликнулись: - End-to-end качество Алисы как универсального AI-ассистента / Мария Акопян. Как измерить «качество» виртуального ассистента, который живёт в колонках, чатах и приложениях? Мария рассказала, как команда переосмыслила оффлайн-оценку Алисы, научилась собирать сложные срезы пользовательских сессий и перешла на гибридную разметку с помощью LLM. Получился доклад про то, как метрики превращаются в реальные улучшения поведения ИИ. - Дашборд как средство коммуникации разработчика с пользователем / Владимир Дмитриев. 10 000 дашбордов за три месяца - и всё равно пользователи не находят нужные данные. Владимир объяснил, почему дашборд, это не просто визуализация, а инструмент общения аналитика с командой. И как сделать так, чтобы данные реально помогали, а не лежали красивыми графиками в BI Забирайте под горячий кофе ☕️ Все доклады можно посмотреть на сайте. Или здесь: - Трек "Data to Insights": YT | VK - Трек "Data to Artifacts": YT | VK Реклама. ООО "Яндекс". ИНН 7736207543

Многие зевают на теме косинуса, думая, что это скучная тригонометрия. Но на деле именно косинус лежит в основе того, как работают векторные базы данных. Короткий разбор — byhand.ai/vecdb Косинус это угол между векторами. Cosine similarity способ сравнивать эмбеддинги. Векторная база ищет наиболее релевантный кусок, измеряя, какие векторы направлены одинаково. Вот она, та самая математика, на которой держатся поиск, RAG и агенты. 👉 @PythonPortal

Мертвый интернет - больше не просто теория 👉 @PythonPortal

Война браузеров 👉 @PythonPortal

Вышел PyTorch 2.9, обновление с упором на производительность, переносимость и удобство для разработчиков Свежая версия приносит стабильный libtorch ABI для C++/CUDA-расширений, симметричную память для multi-GPU ядер, расширенную поддержку wheel-пакетов под ROCm, XPU и CUDA 13, а также улучшения для платформ Intel, Arm и x86. В релизе — 3216 коммитов от 452 контрибьюторов, и PyTorch 2.9 продолжает развивать экосистему open source AI по всему миру. Полный разбор: https://hubs.la/Q03NNKqW0 👉 @PythonPortal

Нужно поймать и IndexError, и KeyError? Просто используй их общего родителя — LookupError

try:
    db_host = config['db'][0]['hosts'][0][0]
except LookupError:  # ловит оба варианта
    db_host = 'localhost'

LookupError базовый класс для ошибок, связанных с поиском по ключу или индексу (включая KeyError и IndexError), так что этот трюк аккуратно покрывает оба случая. 👉 @PythonPortal

Ни одно Python-сообщество раньше не принимало новый инструмент так быстро, как uv. 👀 Скорее всего, uv это лучший инструмент для Python за последние несколько лет. Если ты им ещё не пользуешься, отложи всё и посмотри, что это такое. А если уже пользуешься => глянь на прикреплённый читщит, там есть полезные штуки. 👉 @PythonPortal

Джун, который уже второй день воюет с единственным багом, что я ему поручил 😅 👉 @PythonPortal

Если тебе когда-нибудь покажется, что ты крутой программист, вспомни, что один чувак написал Roller Coaster Tycoon целиком на ассемблере, в одиночку. И заработал на этом 30 миллионов долларов роялти. 👉 @PythonPortal

Фраза «Мы не храним ваш пароль» - не маркетинговая болтовня. Это правда. Компании хранят хэши паролей, а не сами пароли. Как работает хэширование: › Односторонний процесс (обратного пути нет) › Один и тот же ввод = один и тот же вывод › Разный ввод = разный вывод

from hashlib import sha256

# всегда будет один и тот же результат для "mySecret123"
saved_password = sha256(
    "mySecret123".encode()
).hexdigest()

# Нельзя вернуть исходный пароль "mySecret123"
# Но можно захэшировать ввод и сравнить
password = sha256(
    input("Введите пароль: ").encode()
).hexdigest()

if password == saved_password:
    print("Добро пожаловать!")
else:
    print("Доступ запрещён!")

Так можно проверить пароль, но нельзя его восстановить. 👉 @PythonPortal