1963
Сборник наиболее интересных Python материалов. https://pythondigest.ru/ Сделать донат - https://boosty.to/pydigest Блог автора - @whydaily Рекомендуем хостинг https://firstvds.ru/?from=421453
Sphinx - 6.0.0
https://pypi.org/project/sphinx/6.0.0/
Python генератор документации. Изменения описаны по ссылке https://pypi.org/project/sphinx/6.0.0/. Скачать можно по ссылке: http://pypi.python.org/pypi/Sphinx/
f-strings: шпаргалка по форматированию чисел
https://cheatography.com/brianallan/cheat-sheets/python-f-strings-number-formatting/
Python 3.11: за счет чего получили ускорение до 25%
https://log.beshr.com/python-311-speedup-part-1/
Задача коммивояжера (TSP) точное решение — метод ветвей и границ
https://habr.com/ru/post/708072/?utm_campaign=708072&utm_source=habrahabr&utm_medium=rss
Есть задачи, время выполнения которых столь огромно, что выигрыш в производительности доминирует над всем остальным.Я говорю про NP-трудные задачи (NP-трудность - недетерминированная полиномиальная трудность по времени) и на одной из данного класса хочу акцентировать ваше внимание. Задаче коммивояжера. Мы не будем рассматривать эвристические алгоритмы, нам нужно точное решение.
Подойдет ли Python для DWH
https://habr.com/ru/company/inDrive/blog/706842/
Большой проект на любом языке требует к себе вдумчивый подход, особенно в плане учета особенностей языка и технологий. И особенно проект, позволяющий автоматизировать выгрузки и сбор витрин данных. Дата-инженер из inDrive рассказал об устройстве DWH в компании: почему команда выбрала Python основным языком для проекта, а также на примере кейсов разобрал, что в нем может пойти не так.
У вас нет причин использовать alpine для python-проектов
https://habr.com/ru/post/707858/?utm_campaign=707858&utm_source=habrahabr&utm_medium=rss
По мотивам моего доклада на PyCon "Контейнеризация Python без боли". На своей практике я постоянно сталкиваюсь со спорами какой базовый образ лучше использовать для проектов: alpine или debian. Аргументы есть и у той, и у другой стороны, но мне это настолько надоело, что я решил сам разобраться и наконец-то поставить точку. В конце концов "В наше время верить нельзя никому, даже себе. Но мне - можно." (с)
Как мы сделали и оптимизировали механизм правил для персонализации UI
https://habr.com/ru/post/706970/?utm_campaign=706970&utm_source=habrahabr&utm_medium=rss
В статье расскажу, как мы решали проблему персонализации интерфейса пользователя на бэкенде и с какой проблемой столкнулись через какое-то время.
Signed distance functions in 46 lines of Python
https://vgel.me/posts/donut/
Сводка новостей от pythonz.net за 18.12.2022 — 25.12.2022
https://pythonz.net/articles/465/
А теперь о том, что происходило в последнее время на других ресурсах.
Как (и зачем) я писал README в Jupyter-ноутбуке для Node.js-приложения
https://habr.com/ru/post/707380/?utm_campaign=707380&utm_source=habrahabr&utm_medium=rss
На одном из прошлых мест работы я поддерживал консольную Node.js-утилиту, которая публиковалась в NPM. Утилита использовала commander, содержала довольно большое количество подкоманд, и все они требовали описания в README-файле, которое нужно было не забывать обновлять при каждом изменении. Несколько лет спустя я нашел решение, используя не слишком привычные для экосистемы Node.js технологии.В этой статье: много моей любви к Jupyter-подобным ноутбукам, инструкция про то, как затащить Python-пакет в NPM и чуть-чуть анализа трекерной музыки.
Инструменты для GraphQL клиента на Python
https://habr.com/ru/post/707374/?utm_campaign=707374&utm_source=habrahabr&utm_medium=rss
Речь в статье пойдет о специальных инструментах для работы с GraphQL на Python в качестве клиента. Если вы используете GraphQL в своих сервисах на Python, то, скорее всего, сталкивались с необходимостью писать и хранить строки, содержащие GraphQL запросы, а так же писать Python классы для хранения результатов этих запросов. Вероятнее всего, вам было неудобно: не хотелось дублировать схожие запросы, постоянно править классы при частом изменении схемы и т.п. Вот и мне тоже. Поэтому, решая описанные проблемы, появились на свет два пакета: graphql-query и graphql2python.
The Real Python Podcast – Episode #138: 2022 Real Python Tutorial & Video Course Wrap Up
https://realpython.com/podcasts/rpp/138/
Podcast
coverage - 7.0.1
https://pypi.org/project/coverage/7.0.1/
Утилита позволяющая измерить процент покрытия тестами. Изменения описаны по ссылке https://pypi.org/project/coverage/7.0.1/. Скачать можно по ссылке: http://pypi.python.org/pypi/coverage/
Text-to-Image: Diffusion, Text Conditioning, Guidance, Latent Space The fundamentals of text-to-image generation, relevant papers, and experime
https://eugeneyan.com/writing/text-to-image/
Полосный вокодер на Python: поговорим как роботы
https://habr.com/ru/post/707158/?utm_campaign=707158&utm_source=habrahabr&utm_medium=rss
Если честно, сейчас сложно придумать практическое применение для полосного вокодера. Скорее всего, он придется вам по душе, если вы большой любитель ретро-технологий, или — что не исключено — вы начинающая FKA Twigs или Daft Punk и любите играть с футуристичными звуками в своей музыке.
PyFlow - визуальное представление и запуск блоков кода
https://github.com/Bycelium/PyFlow
Инструмент визуализации кода в виде "dashboard", где разные блоки кода можно соединять в программы и визуализировать результат их работы.
SQLAlchemy - 2.0.0rc1
https://pypi.org/project/sqlalchemy/2.0.0rc1/
Библиотека работы с базами данных. Изменения описаны по ссылке https://pypi.org/project/sqlalchemy/2.0.0rc1/. Скачать можно по ссылке: http://pypi.python.org/pypi/SQLAlchemy/
Python 3.11: крутые фичи чтобы попробовать
https://realpython.com/python311-new-features/
mock - 5.0.0
https://pypi.org/project/mock/5.0.0/
Python модуль для создания заглушек (mock-объект) при тестировании. Изменения описаны по ссылке https://pypi.org/project/mock/5.0.0/. Скачать можно по ссылке: http://pypi.python.org/pypi/mock/
Лучшие новые библиотеки Python за 2022 год
https://habr.com/ru/post/707916/?utm_campaign=707916&utm_source=habrahabr&utm_medium=rss
В пост включены библиотеки, которые были запущены или приобрели популярность в этом году, хорошо поддерживаются, а также просто классные и достойные внимания. Подборка в значительной степени ориентирована на библиотеки по ИИ и науке о данных, но сюда так же включен ряд библиотек, которые могут быть полезны для целей, не связанных с наукой о данных.
ИИ в конце 2022 года или как ИИ может помочь создать видеоролик
https://habr.com/ru/post/707556/?utm_campaign=707556&utm_source=habrahabr&utm_medium=rss
2022 год уходит. Чем же он нам запомнился? Несомненно, одно из последних достижений года - ChatGPT, самая спорная вещь в комьюнити: кто-то говорит “зачем такое создавать, роботы скоро оставят миллионы журналистов, писателей, блогеров, креаторов без работы”, другие же напротив, считают эту сетку огромным прорывом. Вишенка на торте - это, конечно, Stable Diffusion от компании Stability AI. Эта нейронная сеть была выложена в открытый доступ, что сразу привлекло внимание всех разработчиков. И это лишь малая часть того, что появилось в уходящем году.Давай вместе с ИИ создадим полноценное видео и узнаем, возможно ли создавать контент, используя доступные на сегодняшний день достижения нейронных сетей?
Talk Python to Me: #395: Tools for README.md Creation and Maintenance
https://talkpython.fm/episodes/show/395/tools-for-readme.md-creation-and-maintenance
Audio
numpy - 1.24.1
https://pypi.org/project/numpy/1.24.1/
Модуль для работы с многомерными массивами. Изменения описаны по ссылке https://pypi.org/project/numpy/1.24.1/. Скачать можно по ссылке: http://pypi.python.org/pypi/numpy/
Применение генеративно-состязательных нейронных сетей (GAN) в клинических исследованиях
https://habr.com/ru/post/707494/?utm_campaign=707494&utm_source=habrahabr&utm_medium=rss
Клинические испытания новых методов лечения делятся на несколько этапов, называемых фазами. На самых ранних этапах испытаний нужно учитывать безопасность лекарственного средства или побочные эффекты, которые оно вызывает. Более поздние фазы испытаний направлены на то, чтобы проверить, лучше ли новое лечение, чем существующие.
Существует 3 основных фазы клинических испытаний — фазы с 1 по 3. Испытания фазы 1 — это самые ранние фазы испытаний, а испытания фазы 3 — испытания более поздней фазы.
Некоторые испытания имеют более раннюю стадию, называемую фазой 0, а некоторые испытания фазы 4 проводятся после того, как лекарство было лицензировано.
#python #pydigest
Сборник Python новостей уже перед вами.
В выпуске Python Дайджест вы найдете:
- Создаем сервис для Serverless перевода голоса, как в Cyberpunk 2077
- Консистентность данных в конкурентной среде. Опыт Точки. Часть 1
- Как распознать синтезированную речь
- Telegram WebApps. Как встроить веб-приложения в чат-бота?
- Полосный вокодер на Python: поговорим как роботы
- Скучный Python: качество кода
- socketify.py - высокопроизводительный сервер с websocket
Заходите в гости - https://pythondigest.ru/issue/470/
Присылайте интересные новости через форму на сайте.
neural-compressor - Intel® Neural Compressor (formerly known as Intel® Low Precision Optimization Tool)
http://github.com/intel/neural-compressor
supervisor - 4.2.5
https://pypi.org/project/supervisor/4.2.5/
Система контроля и управления процессами. Изменения описаны по ссылке https://pypi.org/project/supervisor/4.2.5/. Скачать можно по ссылке: http://pypi.python.org/pypi/supervisor/
Создаем сервис для Serverless перевода голоса, как в Cyberpunk 2077
https://habr.com/ru/post/707250/?utm_campaign=707250&utm_source=habrahabr&utm_medium=rss
На днях мне наконец-то удалось поиграть в Cyberpunk 2077, и я заметил, что в игре есть одна интересная особенность: Когда персонаж говорит на иностранном языке, текст сначала появляется над ним в оригинале, а затем как бы вживую переводится на английский.
Тогда я задался вопросом: сколько работы потребуется, чтобы создать нечто подобное с помощью современного DL-стека? Можно ли сделать это за выходные?
bricks - natural language enrichments at your fingertips
https://github.com/code-kern-ai/bricks
YOLOR — Объяснение статьи и выводы – Углубленный анализ
https://habr.com/ru/post/707098/?utm_campaign=707098&utm_source=habrahabr&utm_medium=rss
В последние годы наблюдается огромный прогресс в серии YOLO, в настоящее время в ней используются как модели обнаружения объектов без привязки, так и модели обнаружения объектов на основе привязки. Вместо того, чтобы сосредоточиться исключительно на архитектурных изменениях, YoloR выбирает новый маршрут. Он черпает вдохновение в том, как люди сочетают неявные знания с явными знаниями для решения новых задач.