📞 bpytop (https://github.com/aristocratos/bpytop) — это современный инструмент для мониторинга ресурсов, который работает на Linux, macOS и FreeBSD.
💡 Он показывает информацию о загрузке процессора, использовании памяти, дисках, сетевых подключениях и запущенных процессах в удобном и привлекательном интерфейсе. Написанный на Python, bpytop предлагает гибкие возможности настройки и простоту использования, включая полную поддержку управления с помощью мыши.
🌟 Этот инструмент отличается быстрым откликом, интуитивно понятным управлением и визуализацией системных данных в реальном времени. Пользователи могут настраивать интерфейс, выбирая цветовые схемы, управлять процессами прямо из меню, отслеживать сетевые подключения и даже работать с несколькими устройствами одновременно.
🔐 Лицензия: Apache-2.0
🖥 Github (https://github.com/aristocratos/bpytop)
@Python_Community_ru
💡 Он показывает информацию о загрузке процессора, использовании памяти, дисках, сетевых подключениях и запущенных процессах в удобном и привлекательном интерфейсе. Написанный на Python, bpytop предлагает гибкие возможности настройки и простоту использования, включая полную поддержку управления с помощью мыши.
🌟 Этот инструмент отличается быстрым откликом, интуитивно понятным управлением и визуализацией системных данных в реальном времени. Пользователи могут настраивать интерфейс, выбирая цветовые схемы, управлять процессами прямо из меню, отслеживать сетевые подключения и даже работать с несколькими устройствами одновременно.
🔐 Лицензия: Apache-2.0
🖥 Github (https://github.com/aristocratos/bpytop)
@Python_Community_ru
🌟 Model2Vec: разработка компактных и быстрых моделей на основе Sentence Transformer.
Model2Vec - это библиотека, позволяющая создавать компактные и быстрые модели на основе предобученных моделей Sentence Transformer.
С помощью Model2Vec можно создавать эмбединг-модели для слов и предложений, которые значительно меньше по размеру, но при этом сопоставимы по производительности с исходными моделями Sentence Transformer.
Вот некоторые ключевые особенности:
🟢 Быстрая дистилляция, процесс создания модели занимает всего несколько минут.
🟢 Быстрый инференс, который в 500 раз быстрее на CPU по сравнению с оригинальной моделью.
🟢 Возможность использования любой модели Sentence Transformer с любым словарем (BYOM и BYOV).
🟢 Мультиязычность, требуется лишь мультиязычная модель в качестве источника.
🟢 Интеграция с Huggingface, поддержка загрузки и выгрузки моделей с использованием привычных методов from_pretrained и push_to_hub.
Пайплайн Model2Vec состоит из трех этапов. На первом этапе словарь проходит через модель Sentence Transformer для получения векторов эмбеддингов для каждого слова.
Затем размерность полученных эмбеддингов уменьшается с помощью метода главных компонент (PCA). В завершение применяется zipf-взвешивание для учета частоты слов в словаре.
Model2Vec работает в двух режимах:
🟠 Output, где модель функционирует как Sentence Transformer с использованием subword токенизации.
🟠 Vocab, где создается набор статических эмбеддингов слов, аналогично GloVe или Word2Vec.
Оценка производительности Model2Vec проводилась на наборе данных MTEB по задачам PEARL (оценка качества представления фраз) и WordSim (оценка семантической близости слов).
Результаты показывают, что Model2Vec превосходит GloVe и модели на основе WordLlama по всем задачам оценки.
▶️ Пример дистилляции:
from model2vec.distill import distill
# Выбор модели Sentence Transformer
model_name = "BAAI/bge-base-en-v1.5"
# Дистилляция модели
m2v_model = distill(model_name=model_name, pca_dims=256)
# Сохранение модели
m2v_model.save_pretrained("m2v_model")
▶️ Пример инференса:
from model2vec import StaticModel
# Загрузка модели из HuggingFace hub или локальной.
model_name = "minishlab/M2V_base_output"
# Можно передать токен, если загружаете приватную модель
model = StaticModel.from_pretrained(model_name, token=None)
# Создание эмбеддингов
embeddings = model.encode(["It's dangerous to go alone!", "It's a secret to everybody."])
📌 Лицензирование: MIT License.
▪ Набор моделей (https://huggingface.co/minishlab)
▪ GitHub (https://github.com/MinishLab/model2vec)
(https://t.iss.one/pythonl)
#AI #ML #LLM #Embedding #Model2Vec #python
@Python_Community_ru
Model2Vec - это библиотека, позволяющая создавать компактные и быстрые модели на основе предобученных моделей Sentence Transformer.
С помощью Model2Vec можно создавать эмбединг-модели для слов и предложений, которые значительно меньше по размеру, но при этом сопоставимы по производительности с исходными моделями Sentence Transformer.
Вот некоторые ключевые особенности:
🟢 Быстрая дистилляция, процесс создания модели занимает всего несколько минут.
🟢 Быстрый инференс, который в 500 раз быстрее на CPU по сравнению с оригинальной моделью.
🟢 Возможность использования любой модели Sentence Transformer с любым словарем (BYOM и BYOV).
🟢 Мультиязычность, требуется лишь мультиязычная модель в качестве источника.
🟢 Интеграция с Huggingface, поддержка загрузки и выгрузки моделей с использованием привычных методов from_pretrained и push_to_hub.
Пайплайн Model2Vec состоит из трех этапов. На первом этапе словарь проходит через модель Sentence Transformer для получения векторов эмбеддингов для каждого слова.
Затем размерность полученных эмбеддингов уменьшается с помощью метода главных компонент (PCA). В завершение применяется zipf-взвешивание для учета частоты слов в словаре.
Model2Vec работает в двух режимах:
🟠 Output, где модель функционирует как Sentence Transformer с использованием subword токенизации.
🟠 Vocab, где создается набор статических эмбеддингов слов, аналогично GloVe или Word2Vec.
Оценка производительности Model2Vec проводилась на наборе данных MTEB по задачам PEARL (оценка качества представления фраз) и WordSim (оценка семантической близости слов).
Результаты показывают, что Model2Vec превосходит GloVe и модели на основе WordLlama по всем задачам оценки.
▶️ Пример дистилляции:
from model2vec.distill import distill
# Выбор модели Sentence Transformer
model_name = "BAAI/bge-base-en-v1.5"
# Дистилляция модели
m2v_model = distill(model_name=model_name, pca_dims=256)
# Сохранение модели
m2v_model.save_pretrained("m2v_model")
▶️ Пример инференса:
from model2vec import StaticModel
# Загрузка модели из HuggingFace hub или локальной.
model_name = "minishlab/M2V_base_output"
# Можно передать токен, если загружаете приватную модель
model = StaticModel.from_pretrained(model_name, token=None)
# Создание эмбеддингов
embeddings = model.encode(["It's dangerous to go alone!", "It's a secret to everybody."])
📌 Лицензирование: MIT License.
▪ Набор моделей (https://huggingface.co/minishlab)
▪ GitHub (https://github.com/MinishLab/model2vec)
(https://t.iss.one/pythonl)
#AI #ML #LLM #Embedding #Model2Vec #python
@Python_Community_ru
🖥 MicroPie (https://github.com/patx/micropie) — это очень маленький веб-фреймворк на Python, созданный для разработки веб-приложений с минимальными усилиями.
🌟 Он поддерживает асинхронные веб-приложения благодаря реализации спецификации ASGI и обеспечивает высокую производительность и гибкость. Среди основных возможностей MicroPie — автоматическое сопоставление URL с функциями, управление сессиями с помощью cookies, поддержка шаблонов через Jinja2 (при установленной библиотеке), а также минимальные зависимости, что упрощает процесс разработки и развертывания приложений.
🔐 Лицензия: BSD-3-Clause
🖥 Github (https://github.com/patx/micropie)
@Python_Community_ru
🌟 Он поддерживает асинхронные веб-приложения благодаря реализации спецификации ASGI и обеспечивает высокую производительность и гибкость. Среди основных возможностей MicroPie — автоматическое сопоставление URL с функциями, управление сессиями с помощью cookies, поддержка шаблонов через Jinja2 (при установленной библиотеке), а также минимальные зависимости, что упрощает процесс разработки и развертывания приложений.
🔐 Лицензия: BSD-3-Clause
🖥 Github (https://github.com/patx/micropie)
@Python_Community_ru
⚡️ Surprise
Создание эффективной рекомендательной системы с нуля может потребовать значительного времени и объема программного кода.
Surprise облегчает этот процесс, позволяя разрабатывать рекомендательные системы с минимальным количеством кода, предоставляя встроенные алгоритмы, готовые наборы данных и средства для оценки модели.
▪ Github (https://github.com/NicolasHug/Surprise)
▪ Пример (https://codecut.ai/how-to-build-a-recommendation-engine-using-surprise-in-python/)
@Python_Community_ru
Создание эффективной рекомендательной системы с нуля может потребовать значительного времени и объема программного кода.
Surprise облегчает этот процесс, позволяя разрабатывать рекомендательные системы с минимальным количеством кода, предоставляя встроенные алгоритмы, готовые наборы данных и средства для оценки модели.
▪ Github (https://github.com/NicolasHug/Surprise)
▪ Пример (https://codecut.ai/how-to-build-a-recommendation-engine-using-surprise-in-python/)
@Python_Community_ru
👍1
🖥 httpdbg (https://github.com/cle-b/httpdbg) — это инструмент с открытым исходным кодом, который предназначен для отладки HTTP(S)-запросов в Python-программах.
🌟 Он дает возможность разработчикам перехватывать и анализировать HTTP(S)-запросы, которые их приложения отправляют, без необходимости изменять исходный код. Для использования инструмента достаточно запустить программу с помощью команды pyhttpdbg вместо стандартного python, после чего перехваченные запросы можно просматривать через веб-интерфейс по адресу https://localhost:4909.
🔐 Лицензия: Apache-2.0
🖥 Github (https://github.com/cle-b/httpdbg)
@Python_Community_ru
🌟 Он дает возможность разработчикам перехватывать и анализировать HTTP(S)-запросы, которые их приложения отправляют, без необходимости изменять исходный код. Для использования инструмента достаточно запустить программу с помощью команды pyhttpdbg вместо стандартного python, после чего перехваченные запросы можно просматривать через веб-интерфейс по адресу https://localhost:4909.
🔐 Лицензия: Apache-2.0
🖥 Github (https://github.com/cle-b/httpdbg)
@Python_Community_ru
🖥 Fastcore (https://github.com/AnswerDotAI/fastcore) — это библиотека на Python, которая расширяет возможности языка для работы с библиотекой fastai.
💡 Она предлагает функции для тестирования, многократной диспетчеризации, композиции объектов и функционального программирования. Fastcore внедряет возможности из других языков, таких как множественная диспетчеризация из Julia и миксины из Ruby, а также улучшает стандартные функции Python, включая параллельную обработку.
🔐 Лицензия: Apache-2.0
🖥 Github (https://github.com/AnswerDotAI/fastcore)
@Python_Community_ru
💡 Она предлагает функции для тестирования, многократной диспетчеризации, композиции объектов и функционального программирования. Fastcore внедряет возможности из других языков, таких как множественная диспетчеризация из Julia и миксины из Ruby, а также улучшает стандартные функции Python, включая параллельную обработку.
🔐 Лицензия: Apache-2.0
🖥 Github (https://github.com/AnswerDotAI/fastcore)
@Python_Community_ru
🖥 Ollama Python (https://github.com/ollama/ollama-python) — это библиотека, созданная для соединения проектов на Python версии 3.8 и выше с платформой Ollama.
🌟 Она предлагает удобный интерфейс для работы с языковыми моделями, такими как Llama 3.2, что позволяет разработчикам легко добавлять функции обработки естественного языка в свои приложения.
🔐 Лицензия: MIT
🖥 Github (https://github.com/ollama/ollama-python)
@Python_Community_ru
🌟 Она предлагает удобный интерфейс для работы с языковыми моделями, такими как Llama 3.2, что позволяет разработчикам легко добавлять функции обработки естественного языка в свои приложения.
🔐 Лицензия: MIT
🖥 Github (https://github.com/ollama/ollama-python)
@Python_Community_ru
🖥 python-benedict (https://github.com/fabiocaccamo/python-benedict?tab=readme-ov-file) — это расширение стандартного словаря Python, которое предлагает дополнительные функции для удобной работы с данными.
💡 Основные особенности включают возможность доступа к значениям по списку ключей (keylist), доступ к вложенным данным с помощью разделителей (keypath) и доступ к элементам словаря через атрибуты (keyattr). Кроме того, библиотека предоставляет встроенные методы для чтения и записи данных в различных форматах, таких как JSON, YAML, XML, CSV, INI, TOML, HTML, Base64, а также для работы с файлами Excel и строками запросов.
🔐 Лицензия: MIT
🖥 Github (https://github.com/fabiocaccamo/python-benedict?tab=readme-ov-file)
@Python_Community_ru
💡 Основные особенности включают возможность доступа к значениям по списку ключей (keylist), доступ к вложенным данным с помощью разделителей (keypath) и доступ к элементам словаря через атрибуты (keyattr). Кроме того, библиотека предоставляет встроенные методы для чтения и записи данных в различных форматах, таких как JSON, YAML, XML, CSV, INI, TOML, HTML, Base64, а также для работы с файлами Excel и строками запросов.
🔐 Лицензия: MIT
🖥 Github (https://github.com/fabiocaccamo/python-benedict?tab=readme-ov-file)
@Python_Community_ru
🖥 NiceGUI (https://github.com/zauberzeug/nicegui) — это удобный фреймворк на Python, который позволяет создавать веб-интерфейсы, отображающиеся в вашем браузере.
🌟 С его помощью можно легко создавать такие элементы, как кнопки, диалоги, разметка Markdown, 3D-сцены, графики и многое другое. NiceGUI идеально подходит для разработки небольших веб-приложений, информационных панелей, проектов в области робототехники, решений для умного дома и других схожих задач.
🔐 Лицензия: MIT
🖥 Github (https://github.com/zauberzeug/nicegui)
@Python_Community_ru
🌟 С его помощью можно легко создавать такие элементы, как кнопки, диалоги, разметка Markdown, 3D-сцены, графики и многое другое. NiceGUI идеально подходит для разработки небольших веб-приложений, информационных панелей, проектов в области робототехники, решений для умного дома и других схожих задач.
🔐 Лицензия: MIT
🖥 Github (https://github.com/zauberzeug/nicegui)
@Python_Community_ru
🖥 CodeCapy (https://github.com/scrapybara/codecapy) — это бот, который автоматически тестирует код в пулл-реквестах на GitHub.
🌟 Он находит новые пулл-реквесты, создает UI-тесты на естественном языке на основе внесенных изменений, выполняет эти тесты в изолированных средах Scrapybara и публикует результаты в комментариях к пулл-реквестам.
🔐 Лицензия: MIT
🖥 Github (https://github.com/scrapybara/codecapy)
@Python_Community_ru
🌟 Он находит новые пулл-реквесты, создает UI-тесты на естественном языке на основе внесенных изменений, выполняет эти тесты в изолированных средах Scrapybara и публикует результаты в комментариях к пулл-реквестам.
🔐 Лицензия: MIT
🖥 Github (https://github.com/scrapybara/codecapy)
@Python_Community_ru
🖥 LLM Functions (https://github.com/sigoden/llm-functions?tab=readme-ov-file) — это проект с открытым исходным кодом, который упрощает разработку инструментов и агентов, основанных на больших языковых моделях, с использованием таких языков программирования, как Bash, JavaScript и Python.
🌟 Он позволяет разработчикам легко интегрировать LLM с собственным кодом, что открывает широкие возможности для выполнения системных команд, обработки данных, работы с API и многого другого.
🔐 Лицензия: MIT
🖥 Github (https://github.com/sigoden/llm-functions)
@Python_Community_ru
🌟 Он позволяет разработчикам легко интегрировать LLM с собственным кодом, что открывает широкие возможности для выполнения системных команд, обработки данных, работы с API и многого другого.
🔐 Лицензия: MIT
🖥 Github (https://github.com/sigoden/llm-functions)
@Python_Community_ru
🖥 Mail0 (https://github.com/nizzyabi/Mail0) — это проект с открытым исходным кодом, который нацелен на создание альтернативы Gmail. Он позволяет пользователям управлять своей электронной почтой, не полагаясь на крупных провайдеров.
🌟 Проект предоставляет возможность самостоятельно хостить почтовый сервер, интегрироваться с внешними сервисами (такими как Gmail и Outlook) и обеспечивает конфиденциальность, так как данные находятся под полным контролем пользователя. Основное внимание уделяется прозрачности, приватности и гибкости настройки.
🖥 Github (https://github.com/nizzyabi/Mail0)
@Python_Community_ru
🌟 Проект предоставляет возможность самостоятельно хостить почтовый сервер, интегрироваться с внешними сервисами (такими как Gmail и Outlook) и обеспечивает конфиденциальность, так как данные находятся под полным контролем пользователя. Основное внимание уделяется прозрачности, приватности и гибкости настройки.
🖥 Github (https://github.com/nizzyabi/Mail0)
@Python_Community_ru
🔥1
🖥 PdfDing (https://github.com/mrmn2/PdfDing) — это программа для управления, просмотра и редактирования PDF-документов, которая предлагает удобный интерфейс для работы на разных устройствах.
🌟 Она позволяет открывать PDF-файлы прямо в браузере и сохраняет место чтения, чтобы можно было продолжить с того же места позже. Пользователи могут организовывать свои PDF-документы с помощью многоуровневых тегов, добавлять комментарии, выделения и рисунки, а также использовать такие функции, как темный режим, инвертированные цвета и настраиваемые цветовые темы. Кроме того, PdfDing поддерживает единый вход (SSO) через OIDC и предоставляет возможность делиться PDF-документами с внешними пользователями с помощью ссылок или QR-кодов с опциональным контролем доступа.
🔐 Лицензия: GPL-3.0
🖥 Github (https://github.com/mrmn2/PdfDing)
@Python_Community_ru
🌟 Она позволяет открывать PDF-файлы прямо в браузере и сохраняет место чтения, чтобы можно было продолжить с того же места позже. Пользователи могут организовывать свои PDF-документы с помощью многоуровневых тегов, добавлять комментарии, выделения и рисунки, а также использовать такие функции, как темный режим, инвертированные цвета и настраиваемые цветовые темы. Кроме того, PdfDing поддерживает единый вход (SSO) через OIDC и предоставляет возможность делиться PDF-документами с внешними пользователями с помощью ссылок или QR-кодов с опциональным контролем доступа.
🔐 Лицензия: GPL-3.0
🖥 Github (https://github.com/mrmn2/PdfDing)
@Python_Community_ru
🔥5👍2
🖥 Rich — это библиотека на Python, которая предназначена для отображения форматированного текста и улучшения вывода в терминале.
🌟 Она позволяет просто добавлять цвета, стили, таблицы, индикаторы прогресса, подсветку синтаксиса, отображение Markdown и многое другое в консольные приложения.
🔐 Лицензия: MIT
🖥 Github
@Python_Community_ru
🌟 Она позволяет просто добавлять цвета, стили, таблицы, индикаторы прогресса, подсветку синтаксиса, отображение Markdown и многое другое в консольные приложения.
🔐 Лицензия: MIT
🖥 Github
@Python_Community_ru
🔥4
🖥 Shellingham (https://github.com/sarugaku/shellingham) — это библиотека на Python, предназначенная для определения оболочки, в которой работает текущий процесс Python. Она предлагает функцию detect_shell(), которая возвращает кортеж с именем оболочки (в нижнем регистре) и путем к исполняемому файлу этой оболочки.
🌟 Пример использования:
import shellingham
shell_name, shell_path = shellingham.detect_shell()
print(f"Shell: {shell_name}, Path: {shell_path}")
Лицензия: ISC
▪Github (https://github.com/sarugaku/shellingham)
@Python_Community_ru
🌟 Пример использования:
import shellingham
shell_name, shell_path = shellingham.detect_shell()
print(f"Shell: {shell_name}, Path: {shell_path}")
Лицензия: ISC
▪Github (https://github.com/sarugaku/shellingham)
@Python_Community_ru
🖥 Arq — это библиотека для Python, которая предоставляет возможность асинхронного выполнения фоновых задач и удаленного вызова процедур с использованием asyncio и Redis. Она помогает разработчикам просто создавать и управлять очередями заданий, обеспечивая при этом высокую производительность и возможность масштабирования.
🖥 Github
@Python_Community_ru
🖥 Github
@Python_Community_ru
🔥3
🖥 Pyper (https://github.com/pyper-dev/pyper) — это универсальный фреймворк для организации конкурентной и параллельной обработки данных в Python, который опирается на принципы функционального программирования. Он предназначен для использования в ETL-системах, микросервисах для обработки данных и системах сбора информации.🔐 Лицензия: MIT🖥 Github (https://github.com/pyper-dev/pyper) (https://t.iss.one/pythonl)
@Python_Community_ru
@Python_Community_ru