Python RU
13.3K subscribers
887 photos
43 videos
38 files
1.13K links
Все для python разработчиков

админ - @haarrp

@python_job_interview - Python собеседования

@ai_machinelearning_big_data - машинное обучение

@itchannels_telegram - 🔥лучшие ит-каналы

@programming_books_it - it книги

@pythonl

РКН: clck.ru/3Fmy2j
加入频道
🔧 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
Forwarded from Machinelearning
⚡️ 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
Please open Telegram to view this post
VIEW IN TELEGRAM
🐍 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.
💡 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
🗣 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.
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
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Python/ django
This media is not supported in your browser
VIEW IN TELEGRAM
🎮 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.
🐍 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.
🚀 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
🐍 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.
🧠 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
Forwarded from DevOps Docker
Расширенный_гайд_по_Docker_для_DevOps_специалистов_1_2.pdf
391.1 KB
🐳 Docker без боли: Огромный гайд от новичка до профи

🚀 Пришло время расставить всё по полочкам. В этом большом гайде ты узнаешь:

• как устроен Docker изнутри
• как упаковать любое приложение в контейнер
• как запускать десятки сервисов одной командой
• как дебажить, оптимизировать и защищать контейнеры
• как не сойти с ума с volumes, networks и образами

🎯 Без скучной теории — только практические команды, схемы и лайфхаки от тех, кто использует Docker в продакшене.
Сохраняй и делись с коллегами, чтобы не потерять

👉 Читать онлайн

@DevopsDocker
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Machinelearning
🌟 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
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Руководство_по_ускорению_и_оптимизации_Python_кода.pdf
264.6 KB
🖥 Руководство по ускорению и оптимизации Python-кода

В этом руководстве рассмотрены продвинутые техники оптимизации Python-программ, особенно актуальные для backend-разработки.

Здесь разобрано профилирование, выбор структур данных и алгоритмов, эффективное использование стандартной библиотеки, оптимизацию циклов, применение таких инструментов как Numba/Cython/PyPy, параллелизм и асинхронность, работу с вводом-выводом, кеширование, обработку больших данных, компиляцию/упаковку кода и общие советы по написанию быстрого и поддерживаемого кода.
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
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 👌
👉 Удаление фона изображения на Python
🐳 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