Python Portal

Нужно быстро удалить фон с изображения? rembg — инструмент с открытым исходным кодом для удаления фона. Его можно использовать через командную строку, как Python-библиотеку, HTTP-сервер или запускать в Docker. Подходит как для обработки отдельных изображений, так и для больших пакетов. https://github.com/danielgatis/rembg 👉 @PythonPortal

Когда-то Линус Торвальдс отказался от возможности, о которой сегодня мечтали бы очень многие. Примерно в 2000 году Стив Джобс пригласил Линуса в кампус Apple в Купертино и попытался переманить его к себе. Предложение было простым: Unix для огромной аудитории Apple. Но была одна проблема. Джобс хотел, чтобы Линус прекратил работать над Linux. Линуса это не заинтересовало. Он хотел продолжать развивать ядро, которое начал писать ещё студентом, а подход Apple к OS X на основе Mach его не впечатлял. В итоге он дал Джобсу простой ответ: Нет. В то время Apple всё ещё перестраивала свою операционную систему вокруг технологий, полученных после покупки NeXT. OS X тогда ещё даже не была выпущена публично. Apple в итоге создала OS X, затем iOS и целую экосистему вокруг миллиардов устройств. Linux пошёл совсем другим путём. Он стал основой Android, фундаментом огромной части интернета и стандартной операционной системой для суперкомпьютеров по всему миру. Линус мог провести карьеру, помогая Apple строить её Unix-будущее. Но вместо этого он выбрал Linux. И где-то в альтернативной реальности Линус Торвальдс — сотрудник Apple. Очень рад, что мы живём не в этой реальности. 👉 @PythonPortal

Я всегда пользовался TablePlus, но недавно попробовал DBX — открытый клиент для работы с базами данных. Что-то вроде TablePlus или DBeaver, только с очень приятным интерфейсом, встроенным ИИ и поддержкой огромного количества баз. Функций там намного больше, чем мне нужно, но выглядит реально хорошо. Рекомендую попробовать. https://github.com/t8y2/dbx 👉 @PythonPortal

Нашёл настоящую золотую жилу для тех, кто готовится к собеседованиям в FAANG Complete FAANG Preparation, уже больше 12 тысяч , включает → DSA — 450 задач от Love Babbar, лист Striver и лист Apna College → Основы Computer Science — ОС, СУБД, SQL, компьютерные сети, ООП → Проектирование систем — LLD и HLD → Задачи на логику, тесты и головоломки на C++, Python, Java и JavaScript Один репозиторий, и в нём практически всё, что нужно https://github.com/AkashSingh3031/The-Complete-FAANG-Preparation 👉 @PythonPortal

На Stepik вышла программа «DevOps с нуля: от Linux до Kubernetes» Это комплексная программа из 5 практических курсов по ключевым технологиям DevOps: Linux, Git, Docker, GitLab CI/CD, Kubernetes Вы последовательно пройдёте путь от работы в Linux и управления кодом через Git до контейнеризации приложений, настройки CI/CD-пайплайнов и развёртывания в Kubernetes. Что вы изучите: • работу с Linux и командной строкой • Git и контроль версий в реальных проектах • создание Docker-образов и запуск контейнеров • автоматизацию сборки, тестирования и деплоя в GitLab CI/CD • развёртывание и управление приложениями в Kubernetes • сети, хранилища, конфигурации и секреты • диагностику инфраструктуры и автоматизацию рутинных задач ... и многое другое Все знания закрепляются на практике с помощью заданий с автопроверкой. Материал подаётся последовательно и понятным языком: с примерами, схемами и демонстрациями. Во время обучения можно задавать вопросы по урокам и заданиям, получать обратную связь и помощь при возникновении сложностей. После прохождения программы вы получите сертификат, который можно добавить в резюме. Скидка 20% на 48 часов: по промокоду PORTAL20 стоимость всей программы составит 10 392 ₽. Открыть программу на Stepik

NVIDIA AI Infrastructure & Operations (NCA-AIIO) — полный курс для подготовки к сертификационному экзамену. Что вы изучите • Получите практическое понимание этого направления глубокого обучения • Разберётесь, как модели обучаются, оптимизируются и улучшаются на данных • Научитесь подготавливать данные и признаки для построения моделей • Поймёте, как объединять поиск, эмбеддинги и генерацию в практические ИИ-системы • Научитесь работать с последовательностями, текстом и языковым моделированием • Перейдёте от ноутбуков к развёртываемым ИИ-системам с мониторингом https://www.youtube.com/playlist?list=PLFR3p8fW9K1_oHvOcDfDGxKXL_iKWC1Y8 👉 @PythonPortal

«Математические методы в науке о данных с Python» Себастьяна Роша. https://mmids-textbook.github.io 👉 @PythonPortal

Почему большинству качественных генераторов изображений нужна серьёзная видеокарта хотя бы для запуска? Потому что большие модели делают изображения лучше, верно? NVIDIA с SANA утверждает, что это не совсем так. Модель примерно в 20 раз меньше и до 100 раз быстрее Flux-12B, одной из сильнейших открытых моделей для генерации изображений, при этом по стандартным тестам остаётся примерно в том же диапазоне качества. Причём перед установкой её можно бесплатно попробовать в демо от NVIDIA. https://github.com/NVlabs/Sana 👉 @PythonPortal

Система захвата движений в голливудской студии может стоить как дом. А кто-то собрал почти то же самое и выложил бесплатно на GitHub. Проект называется FreeMoCap. Берёте две или больше обычных веб-камер, GoPro или даже смартфоны. Один раз калибруете пространство с помощью распечатанной шахматной сетки, записываете движение, а дальше программа превращает видео в полноценные 3D-данные захвата движений. Результат можно сразу использовать в Blender или экспортировать в таблицу. Не нужен специальный костюм, маркеры или студия. Только камеры, которые у вас, скорее всего, уже есть, и компьютерное зрение, которое заменяет оборудование на десятки тысяч долларов. https://freemocap.org 👉 @PythonPortal

Если хотите разобраться, как обучить большую модель с нуля, рекомендую посмотреть вот это ↓ Сооснователь ARC Prize и создатель Keras Франсуа Шолле недавно посоветовал путь для изучения LLM с нуля. Он сказал, что если вам 17 лет или вообще сколько угодно и вы хотите с нуля научиться создавать LLM, просто прочитайте главы 15 и 16 его книги *Deep Learning with Python*. Я бегло их просмотрел, и эти две главы точно стоит сохранить. Глава 15 начинается с самых базовых языковых моделей и постепенно доходит до Character-level Language Model → Seq2Seq → Attention → QKV → Scaled Dot-Product Attention → Multi-Head Attention → Self-Attention → Transformer Там даже есть отдельный раздел с объяснением того, почему вообще работает Dot-Product Attention. Сам он говорит, что это одно из лучших объяснений этой темы. Автор не останавливается на формулах вроде QKᵀ / √d. Он начинает с Word2Vec и пространства эмбеддингов, а затем объясняет, как Transformer слой за слоем через Attention постепенно превращает связи между токенами в отношения расстояний в векторном пространстве. Глава 16 ещё практичнее. В ней напрямую показывают, как обучить mini-GPT с нуля. Разбирается, как взять почти 1 миллиард токенов из C4, собрать словарь SentencePiece на 32 тысячи токенов, настроить mini-GPT на 41 миллион параметров с 8 слоями, 8 головами внимания и размером скрытого состояния 512, а затем самостоятельно собрать конвейер данных, сделать weight tying, прогрев скорости обучения, предобучение и генерацию с temperature и top-k. От токенизатора, конвейера данных, causal attention, weight tying и прогрева скорости обучения до предобучения, greedy decoding, temperature и top-k sampling. По сути, вас шаг за шагом проводят через полный процесс обучения GPT. Для этого даже не нужен дорогой сервер. В официальном примечании указано, что весь пример можно запустить на бесплатной T4 в Google Colab. Обучение займёт около 6 часов. На A100 — чуть больше часа. Дальше в книге разбираются Gemma, SFT, RLHF, RAG и мультимодальные модели. Поэтому если меня спросят «Я никогда раньше не обучал большую модель. С чего начать?» Эти две главы действительно могут быть отличной отправной точкой. Третье издание *Deep Learning with Python* сейчас доступно для бесплатного чтения онлайн, а все сопутствующие ноутбуки полностью открыты. Их можно просто загрузить в Colab и запустить. В 2026 году для изучения LLM уже необязательно сразу садиться и разбирать сотню научных статей. Если один раз самостоятельно обучить GPT на 41 миллион параметров от подготовки данных до генерации текста, очень многие концепции после этого естественным образом складываются в единую картину. 👉 @PythonPortal