🗣 Голосовой AI-ассистент на Python (Streamlit, Whisper, ChatGPT, TTS)

Пишем готовий проект на Python.

Проект объединяет несколько компонентов:

- Распознавание речи: отправка аудио на OpenAI Whisper API (модель whisper-1) для транскрипции русской речиkdnuggets.com.

- Генерация ответа: отправка полученного текста в OpenAI ChatCompletion (модель gpt-3.5-turbo) для получения ответа в виде текстаgokhang1327.medium.com.

- Синтез речи (TTS): два варианта генерации звука из текста: платный сервис ElevenLabs (реалистичные голоса, поддержка русского) и открытая модель Silero TTS (бесплатная, поддерживает русский)github.comgithub.com.

- Интерфейс: веб-приложение на Streamlit с виджетом записи аудио (микрофон) и областью для отображения распознанного текста и ответа.

Ниже приведён подробный код приложения и инструкции по его запуску.

Читать: https://uproger.com/golosovoj-ai-assistent-na-python-streamlit-whisper-chatgpt-tts/

Читать полностью…

🔍 В Яндекс Поиске появились технологии Алисы: теперь он рассуждает в ответ на вопрос и генерирует контент

Поиск Яндекса обновился. Там появился режим рассуждений, возможность генерировать контент, получать развёрнутые ответы, и помогать с выбором товаров. Всё это — благодаря объединению с технологиями Алисы, которые унаследовали и расширили возможности Нейро.

Что поменялось:
— Новые ответы Алисы:готовая небольшая статья с картинками, видео и ссылками на источники.
— Можно попросить сгенерировать текст или картинку прямо в поисковой строке — например, по запросам “напиши” или “нарисуй”.
— Появился режим рассуждений: для сложных задач, где важно углубиться в тему. В этом режиме Алиса тратит больше времени на анализ информации, задействует больше источников и может дать ответ в виде таблицы. Пользователь может посмотреть, как она подходит к задаче и какие выводы делает.
— Пользователи Браузера теперь могут задавать Алисе вопросы не только в Поиске, но и по открытой веб-странице. Она проанализирует текст на сайте и даст ёмкий ответ со ссылками на конкретные фрагменты.

Эти большие обновления — результат работы сразу нескольких команд. Команда Яндекс Поиска создает LLM технологии в поиске, проектирует интерфейсы, создает инфраструктуру, позволяющую сервису работать бесперебойно 24/7.

Сейчас перед командой стоят новые амбициозные задачи, поэтому она расширяется и ищет:
→ Разработчика на C++ в YandexGPT;
→ Тимлида в Финансы.

Если интересно создавать продукт, которым ежедневно пользуются десятки миллионов людей, и развивать ИИ на мировом уровне — ищите вакансии выше.

Реклама. ООО "Яндекс". ИНН 7736207543

Читать полностью…

✔️ Cursor 1.0 — стабильный релиз с полезными фичами

Новая стабильная версия Cursor, и в ней появилось много обновлений, которые делают работу с кодом удобнее.

Вот что стоит отметить:

🐞 Bugbot
Автоматически проверяет Pull Request'ы на баги и предлагает исправления.
Можно внести правку прямо в редакторе — в один клик.

🧠 Memory (beta)
Cursor теперь запоминает контекст проекта, что помогает при командной работе и упрощает навигацию по коду.

⚙️ One-Click MCP Setup
Настройка подключения к Model Context Protocol — теперь через одну кнопку, без ручной конфигурации.

📌 Дополнительно в 1.0:
• Возможность редактировать несколько мест в коде одновременно
• Поддержка таблиц, Markdown и диаграмм Mermaid в чате
• Обновлённые настройки и админ-панель
• Фоновая работа агентов — можно интегрировать их со Slack и Jupyter Notebooks

Cursor постепенно становится более удобной средой для совместной работы с ИИ-помощником.

https://www.cursor.com/changelog

@ai_machinelearning_big_data

#CursorAI #AIcoding #DevTools #Jupyter #CodeAssistant

Читать полностью…

СРОЧНО❗️Закидываем мастхев-каналы для Python и Java разработчиков.

➡️Прокачай свои хард-скиллы на максимум:
Pythoner и Javer

➡️Сотни гигов платных материалов, книг и статей:
Книжный python и Библиотека Java

➡️Скрипты, фишки и конечно же мемы:
IT HUB и Memes

Доступ открыли на 48 часов, успейте подписаться! ⚡

Читать полностью…

🐳 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

Читать полностью…

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 👌

Читать полностью…

🌟 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

Читать полностью…

🧠 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

Читать полностью…

🚀 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

Читать полностью…

🎮 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.

Читать полностью…

🗣 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.

Читать полностью…

🐍 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.

Читать полностью…

🔧 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

Читать полностью…

🎯 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

Читать полностью…

🌟 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

Читать полностью…

🤖 AI, который сам пишет код — умный агент на базе LangGraph

Проект находится в активной разработке и уже умеет автоматизировать весь цикл: от планирования проекта до генерации кода. Всё построено на надёжных multi-agent workflow'ах с использованием LangGraph.


🚀 Что делает агент:

🧠 Понимает задачу и строит план
AI-архитектор анализирует требования и создаёт пошаговый план разработки.

💻 Генерирует и редактирует код
Dev-агент аккуратно применяет изменения в кодовой базе, редактируя конкретные файлы.

🔁 Разделяет роли — надёжнее работает
Отдельные агенты для планирования и реализации — меньше ошибок и больше контроля.

🧬 Понимает структуру проекта
Использует tree-sitter и семантический поиск, чтобы ориентироваться в коде как человек.

📦 Работает по шагам
Разбивает задачи на мелкие изменения — удобно для review и безопасно для CI.

💡 Если интересуешься автоматизацией разработки, AI-помощниками и мультиагентными системами — стоит попробовать уже сейчас.

▪ Github

@pythonl


#AI #AutoCoding #LangGraph #DevTools #MultiAgent #CodeAutomation

Читать полностью…

from contextlib import contextmanager
import sys
import io

@contextmanager
def capture_stdout():
    old_stdout = sys.stdout
    sys.stdout = buffer = io.StringIO()
    try:
        yield buffer
    finally:
        sys.stdout = old_stdout

# Пример использования
with capture_stdout() as out:
    print("Это вывод, который перехвачен")

captured_output = out.getvalue()
print("Перехваченный текст:", captured_output)

🧠 Объяснение:
Этот хак позволяет временно перенаправить стандартный вывод print() внутрь объекта StringIO, чтобы «тихо» перехватить и сохранить его. Полезно для:

• тестирования CLI-приложений
• логирования скрытого вывода
• подавления шума в stdout во время исполнения кода

Работает как контекстный менеджер, не требует сторонних библиотек, и легко встраивается в production-код.

Читать полностью…

🎯 5 ИИ-проектов, которые ты можешь собрать за выходные

Хочешь прокачать навыки ML и Python без математики и Kaggle? Лови 5 готовых идей, которые можно собрать за 1–2 дня:

🔹 Голосовой ассистент — Whisper + GPT + озвучка
🔹 Чат-бот для PDF — LangChain + FAISS + OpenAI
🔹 Генератор картинок — Stable Diffusion + Gradio
🔹 Подписи к фото — BLIP + HuggingFace
🔹 TL;DR бот — BART или GPT для суммаризации текста

✅ Примеры кода
✅ Деплой на HuggingFace / Streamlit
✅ Всё реально собрать за выходные

📎 Забирай гайд — и добавь проекты в резюме: «AI developer: checked»

@pythonl

Читать полностью…

📊 Шпаргалка по Python-профайлингу: как найти узкие места в коде

Разбираем 4 мощных инструмента для анализа производительности и памяти в Python.

🧠 `cProfile` — встроенный профайлер времени

✅ Показывает, сколько времени тратится на каждую функцию
✅ Идеально для быстрого анализа

python -m cProfile your_script.py

Форматированный вывод с pstats:

python -m cProfile -o result.prof your_script.py
python -m pstats result.prof

Для Jupyter:

%load_ext cprofile
%cprofile some_function()

🐍 py-spy — суперлёгкий sampling-профайлер

✅ Не требует изменений в коде
✅ Работает с чужими процессами
✅ Без тормозов, можно запускать в проде

py-spy top --pid <PID>
py-spy record -o profile.svg -- python your_script.py

👉 Показывает flame graph: удобная визуализация bottleneck-функций.

🔥 `Scalene` — профайлинг CPU, памяти и аллокаций

✅ Отслеживает:
- сколько времени тратит CPU
- где происходят аллокации
- сколько памяти реально используется

pip install scalene
scalene your_script.py

👉 Выделяет проблемные строки, показывает выделение памяти по строчкам кода, а не только по функциям.

🧮 `memory_profiler` — анализ использования памяти

✅ Показывает, сколько памяти потребляет каждая строка
✅ Полезен для data science скриптов

pip install memory-profiler

Добавь декоратор:

from memory_profiler import profile

@profile
def my_func():
    ...

Запуск:

python -m memory_profiler your_script.py

💡 Как выбрать?

| Инструмент | Что профилирует | Подходит для |
|--------------------|----------------------|------------------------------|
| `cProfile` | Время (встроенно) | Быстрый старт, базовый анализ |
| `py-spy` | Время (sampling) | Прод, чужие процессы, flame graphs |
| `Scalene` | Время + память + аллокации | Глубокий анализ по строкам |
| `memory_profiler` | Только память | Data science, отладка RAM |

Читать полностью…

👉 Удаление фона изображения на Python

Читать полностью…

🖥 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.

Читать полностью…

🐳 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

Читать полностью…

🐍 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.

Читать полностью…

🐍 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.

Читать полностью…

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

Читать полностью…

💡 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

Читать полностью…

⚡️ 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

Читать полностью…

# 🔐 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

Читать полностью…

🧠 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.

Читать полностью…

🖥 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

Читать полностью…