Сегодня создаем кастомный итератор и реализуем iter + next

Для гибкого управления порядком обхода данных используют собственные итераторы, реализуя методы __iter__() и __next__().

Начнём с создания класса Countdown, который будет отсчитывать числа от start до 1 включительно:

class Countdown:
    def __init__(self, start):
        self.current = start

В __init__ мы сохраняем текущее значение. Теперiterм метод __iter__(), который возвращает сам iter

    def __iter__(self):
        return self

Метод __next__() будет возвращать текущее число, уменьшать его и вызывать исключение StopIteration, когда достnextля:

    def __next__(self):
        if self.current == 0:
            raise StopIteration
        value = self.current
        self.current -= 1
        return value

Проверяем работу кастомного итератора:

for num in Countdown(5):
    print(num)  # 5, 4, 3, 2, 1

Важно: после завершения итерации объект нельзя переиспользовать:

countdown = Countdown(3)
list(countdown)  # [3, 2, 1]
list(countdown)  # [] - пустой список!

🔥 Альтернатива: для простых случаев используйте генераторы — они короче и удобнее.

Как создать свой сайт на python 🐍

Для создания своего сайта на python можно использовать фреймворк Flask. Это очень мощный инструмент, которые позволяет создавать свои сайты через Python без особого знания HTML и стилей CSS

Установка Flask:

pip install flask

Базовое создание сайта при помощи Flask:

from flask import Flask #импортируем библиотеку

app = Flask(__name__) #создаём пустую страницу сайта с названием модуля (__name__)

@app.route('/') #по этому url будет открываться одна страница 
def HelloWorld():
    return 'Hello, World!' #то что будет на сайте 

if __name__ == '__main__':
    app.run(debug=True) #запускаем в режиме отладки

Для создания нескольких страниц добавляйте больше декораторов @app.route

@app.route('/')
def main_route():
    return 'main_route'

@app.route('/about')
def about():
   return 'about'

@app.route('/questions')
def questions():
    return 'Вопрос - ответ'

Также Flask позволяет работать с заготовками HTML-кода:

from flask import Flask, render_template

app = Flask(__name__)

@app.route('/')
def main_template():
    return render_template('index.html')

>>> Если вы заинтересовались созданием сайтов, то что вам следует изучить:

1. Работу с Forms

2. Работу с бд (базами данных). Например SQLAlchemy

3. Научиться работать с регистрацией пользователя и ТД.

>>> Документация по Flask на русском 🔥

>>> Документация по Flask на английском 🔥

Всем привет ✋

Мне надоело делать ботов, поэтому я решил сделать свой проект мини консоль. Там будет множество полезных функций и сегодня я начал разрабатывать эту консоль. Объявляю первый день. Интерфейс консоли сделан при помощи библиотеки PyQt6. Он сгенерирован с помощью ИИ (извините, но я не настолько хорошо знаю эту библиотеку). Все команды реализованы при помощи моих навыков программирования. Консоль я буду улучшать и добавлять новые команды.

Что я хочу в ней изменить и что добавить:

1. Добавить команды для того чтобы узнать информацию о своём пк
2. Добавить мини приложение для открытия самой консоли
3. Сделать какие-нибудь фановые команды (например бросить кубик или прокрутить барабан)

2 день разработки консоли

Сегодня я добавил новые команды. В частности это команды для получения информации о своём компьютере и добавил немного математики. Также добавил фановые команды (бросок кубика и прокрутка барабана). Планирую написать мини приложение на customTkinter для запуска этой консоли (возможно перепишу его на PyQt6, когда изучу). Пока что всё....

Тренируем мозги с задачами по ML и AI.

Я сам по ним учусь

Два незаменимых ресурса для практики в машинном обучении и нейросетях:

▶️ Deep-ML — задачи по линейной алгебре, машинному и глубокому обучению. Подходит для постепенного погружения.

▶️ Tensorgym — упражнения разного уровня сложности, чтобы закрепить теорию и прокачать практику.

Идеально подойдёт, если хотите подтянуть навыки и разобраться в тонкостях ML

Превращаем текст в голос!

Устанавливаем библиотеку:

pip install gTTS

Импортируем класс gTTS модуля gtts и os:

from gtts import gTTS
import os

Задаём текст для озвучки:

text = "Привет! Этот текст превращается в голос."

Создаём объект gTTS с русским языком:

tts = gTTS(text=text, lang="ru")

Сохраняем аудио в файл:

tts.save("voice.mp3")

Воспроизводим результат в зависимости от ОС:

os.system("start voice.mp3")  # Windows
# os.system("open voice.mp3")  # macOS
# os.system("xdg-open voice.mp3")  # Linux

🔥 Запускаем скрипт и текст превращается в голос, готовый к прослушиванию.

Превращаем текст в баннер с помощью ✨ pyfiglet ✨

С помощью библиотеки pyfiglet на python можно преобразовать слово в ASCII-арт или в баннер для своих проектов.

Как работает эта библиотека❓

У неё есть много .fig файлов, из которых она достаёт ASCII-текст и собирает из них слово.

Установка pyfiglet:

pip install pyfiglet

Самый простой пример программы для преобразования текста с помощью figlet_format:

import pyfiglet

text = 'Hello' 
art = pyfiglet.figlet_format(text)
print(art)

Пример вывода этой программы:

_   _      _ _
| | | | ___| | | ___
| |_| |/ _ \ | |/ _ \
|  _  |  __/ | | (_) |
|_| |_|\___|_|_|\___/

Вот ещё один пример с ручным указанием шрифта с помощью Figlet. По умолчанию standart

import pyfiglet 

fig = pyfiglet.Figlet(font='slant')
art = fig.renderText('Hello')
print(art)

Вот вывод программы:

    __  __     ____
   / / / /__  / / /___
  / /_/ / _ \/ / / __ \
 / __  /  __/ / / /_/ /
/_/ /_/\___/_/_/\____/

Как узнать сколько шрифтов доступно в pyfiglet❓

Вот небольшая программа для того чтобы узнать сколько шрифтов поддерживает ваша версия pyfiglet:

import pyfiglet

# Получить список всех доступных шрифтов
all_fonts = pyfiglet.FigletFont.getFonts()

print(f"Всего доступно шрифтов: {len(all_fonts)}")
print("Все шрифты")
for i, font in enumerate(all_fonts[:len(all_fonts)], 1):
    print(f"{i:2d}. {font}")

Модуль atexit в python 🐍

Модуль atexit позволяет запустить какие-либо функции, которые будут выполнены при нормальном завершении программы

Этот модуль не надо устанавливать так как он встроен в python 🐍

Вот пример того как использовать модуль atexit в программах:

import atexit

def cleanup_function():
    print("Выполняется очистка...")

# Регистрация функции
atexit.register(cleanup_function)

def square_number(n):
    return n**2

nums = [1, 2, 3, 4, 5]
print(list(map(square_number, nums))) 

После выполнения этой программы корректно, то функция cleanup_function() выполнится.

Вот что выведется в терминале:

[1, 4, 9, 16, 25]
Выполняется очистка...

Также уже зарегистрированную функцию можно отклонить регистрацию функции:

import atexit

def cleanup_function():
    print("Выполняется очистка...")

# Регистрация функции
atexit.register(cleanup_function)

def square_number(n):
    return n**2

nums = [1, 2, 3, 4, 5]
print(list(map(square_number, nums))) 

#Отклонение регистрации функции 
atexit.unregister(cleanup_function)

Таким образом в терминале последняя функция выводится не будет:

[1, 4, 9, 16, 25]

Также функцию atexit.register можно использовать как декоратор для функции:

import atexit

@atexit.register #Регистрация с помощью декоратора
def cleanup_function():
    print("Выполняется очистка...")

def square_number(n):
    return n**2

nums = [1, 2, 3, 4, 5]
print(list(map(square_number, nums))) 

Выведет в терминал:

[1, 4, 9, 16, 25]
Выполняется очистка...

✨ Я думаю что эта библиотека довольно полезная. Например можно после выполнении программы очищать программу от ненужных файлов, которые были созданы при выполнении программы ✨

Я пошёл зарабатывать...

Библиотека notify-py в python 🐍

С помощью этой библиотеки вы сможете получать сообщения python как от системы

Установка notify-py:

pip install notify-py

Настройка сообщения от системы:

from notifypy import Notice 

notification = Notice() #создаём объект сообщение 

notification.title = 'Готово' #Ставим название сообщение 
notification.message = 'Скрипт выполнен...' #Указываем текст сообщения 

notification.send() #отправляем сообщение 

На фото изображено как будет выглядеть сообщение от этой программы

✨ Эту библиотеку можно использовать для визуализации выполнения программы. Например при удачном выполнении программы будет выводится "Программа выполнена успешно..", а при неудачном "Программа была выполнена некорректно.." ✨

Моржовый оператор в python 🐍

Этот оператор позволяет присваивать значение переменной внутри выражения. Он появился в Python 3.8

Например, выражение без моржового оператора:

user_id = 1
if user_id == 1:
    print(user_id) 

Тот же код с использованием моржового оператора:

if (user_id := 1) == 1:
    print(user_id)

Пример с использованием циклов.

1️⃣ пример:

for num in (nums := [1, 2, 3, 4, 5]).copy():
 nums.append(num**2)
 nums.pop(0)
print(nums)

2️⃣ пример:

nums =  [1, 2, 2, 3, 2, 28, 19, 2]
while (num := 2) in nums:
 print(nums)
 nums.pop(0)

✨ Этот оператор при правильном использовании сделает ваш код чище и меньше ✨

Детекция лиц на изображении в python 🐍

RetinaFace - библиотека для обнаружения лиц на изображении. Она определяет лицо по 5 ключевым точкам (landmarks) - это нос, правый глаз, левый глаз, правый уголок рта и левый уголок рта.

С помощью этой библиотеки можно определять сколько человек изображено на изображении (видео).

⚡️ Установка ⚡️:

pip install retina-face

Какие интересные проекты можно сделать с помощью этой библиотеки:

1️⃣. Сколько лиц на изображении в тг боте (или без бота)
2️⃣. Сколько лиц на видео в реальном времени (с помощью cv2)
3️⃣. Определение настроения (подставлять смайлик по выражению лица 😊) с помощью ключевых точек (landmarks)

✨ С помощью этой библиотеки можно работать с компьютерным зрением. Работает библиотека стабильно на версии Python 3.8 ✨

Сделал небольшой код на python 🐍 с использованием библиотеки RetinaFace 😶

Вот сам код:

from retinaface import RetinaFace
import cv2

path_to_file = 'image_1.png' # путь к файлу на вашем пк

image = cv2.imread(path_to_file) # открываем файл

if image is None:
    raise FileNotFoundError(f"Не удалось загрузить изображение: {image}")

resp = RetinaFace.detect_faces('image_1.png') # считываем лица

if isinstance(resp, dict): # есть ли лица на фото
    for face_id, face_info in resp.items(): # из словаря достаёём значения для построения квадрата на лицо
        facial_area = face_info["facial_area"]
        x1, y1, x2, y2 = facial_area

        cv2.rectangle(image, (x1, y1), (x2, y2), (255, 0, 0), 2) # отображаем квадрат
        
cv2.imwrite("output_image_path.png", image) # сохраняем
print(f"Изображение с обнаруженными лицами сохранено как: output_image_path.png")

В коде есть небольшое объяснение, но немного поясню сам. Метод detect_faces возвращает список словарей:

{
    "face_1": {
        "score": 0.999,
        "facial_area": [x1, y1, x2, y2],
        "landmarks": {
            "left_eye": [x, y],
            "right_eye": [x, y],
            "nose": [x, y],
            "mouth_left": [x, y],
            "mouth_right": [x, y]
        }
    },
    "face_2": {
        "score": 0.987,
        "facial_area": [x1, y1, x2, y2],
        "landmarks": { ... }
    },
    ...
}

Здесь score - это уверенность (насколько модель уверена, что на изображении есть лицо), facial_area - координаты ограничивающего прямоугольника: [x1, y1, x2, y2], где: (x1, y1) — верхний левый угол, (x2, y2) — нижний правый угол, landmarks - ключевые точки (нос, правый уголок рта, левый уголок рта, правый глаз, левый глаз).

⚡️ Что делает программа: указываешь путь к файлу (обязательно изображение) и программа на этом изображении ищет лица и прикрепляет к ним квадраты. На фотографиях есть изображение до обработки и после ⚡️

Библиотека Tensorflow на python 🐍

Tensorflow - мощный фреймворк с открытым исходным кодом для машинного обучения и разработки нейросетей, разработанный компанией Google.

Установка:

pip install tensorflow 

Также в этой библиотеке есть встроенный API Keras. Он полностью интегрирован в Tensorflow.

🤖 Пример нейросети на Tensorflow:

import tensorflow as tf #импортируем

# 1. Загрузка данных (встроенный датасет)
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0  # Нормализация

# 2. Построение модели
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),     # Сглаживаем изображение 28x28 в вектор
  tf.keras.layers.Dense(128, activation='relu'),     # Полносвязный слой на 128 нейронов
  tf.keras.layers.Dropout(0.2),                      # Регуляризация для борьбы с переобучением
  tf.keras.layers.Dense(10)                          # Выходной слой на 10 классов (цифры 0-9)
])

# 3. Компиляция модели
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 4. Обучение модели
model.fit(x_train, y_train, epochs=5)

# 5. Оценка качества
model.evaluate(x_test, y_test, verbose=2)

⚡ Для каких задач чаще всего используется Tensorflow:

1. Компьютерное зрение (Computer Vision). Например библиотека Mediapipe.

2. Обработка естественного языка. Например, определение тональности (NLTK + Tensorflow), машинный перевод (Tensorflow + Transformers (Hugging Face)), генерация текста (чат-боты)

3. Обработка звука и речи (Tensorflow Audio или Tensorflow + Librosa)

🔥 Щас на этой библиотеке я работаю над созданием своей нейросети. Она будет распознавать цифры, который я ей написал. Вчера 5 часов делал датасет и переобучил нейросеть. Сегодня придётся новый делать, поэтому не знаю когда дам её код. Стабильно библиотека работает на версии Python 3.8 🔥