Python RU

🌟 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.

⚡️ 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