This media is not supported in your browser
VIEW IN TELEGRAM
Эффективное тестирование Python-кода
Продвинутый совет: тестируй Python-код эффективно, используя связку pytest плюс фикстуры плюс правильное тестирование через hypothesis.
Сначала проверяй основные сценарии, потом добавляй окружение через фикстуры (файлы, БД, mock API), а затем включай генерацию случайных входов — так ты поймаешь скрытые баги, не переписывая километры тестов.
Подписывайся, больше фишек каждый день !
Продвинутый совет: тестируй Python-код эффективно, используя связку pytest плюс фикстуры плюс правильное тестирование через hypothesis.
Сначала проверяй основные сценарии, потом добавляй окружение через фикстуры (файлы, БД, mock API), а затем включай генерацию случайных входов — так ты поймаешь скрытые баги, не переписывая километры тестов.
Подписывайся, больше фишек каждый день !
from hypothesis import given, strategies as st
Базовый юнит-тест
def test_add():
assert add(2, 3) == 5
Фикстура окружения (временный файл)
@pytest.fixture
def temp_file(tmp_path):
p = tmp_path / "data.txt"
p.write_text("42")
return p
def test_read_data(temp_file):
assert read_data(temp_file) == 42
Property-based тест
@given(st.integers(), st.integers())
def test_add_random(a, b):
assert add(a, b) == a + b
Запуск только упавших тестов (быстрый цикл разработки):
# pytest --lf
❤5👍1🔥1
🔥 Подборка полезных ресурсов для программистов.
Здесь ты найдёшь всё это - коротко, по делу и без воды.
Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты!
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Devops: t.me/DevOPSitsec
Собеседования DS: t.me/machinelearning_interview
C++ t.me/cpluspluc
Docker: t.me/DevopsDocker
Хакинг: t.me/linuxkalii
Data Science: t.me/data_analysis_ml
Javascript: t.me/javascriptv
C#: t.me/csharp_1001_notes
Java: t.me/java_library
Базы данных: t.me/sqlhub
Python собеседования: t.me/python_job_interview
Мобильная разработка: t.me/mobdevelop
Golang: t.me/Golang_google
React: t.me/react_tg
Rust: t.me/rust_code
ИИ: t.me/vistehno
PHP: t.me/phpshka
Android: t.me/android_its
Frontend: t.me/front
Big Data: t.me/bigdatai
МАТЕМАТИКА: t.me/data_math
Kubernets: t.me/kubernetc
Разработка игр: https://t.me/gamedev
Haskell: t.me/haskell_tg
Физика: t.me/fizmat
💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Папка Linux:https://t.me/addlist/w4Doot-XBG4xNzYy
😆ИТ-Мемы: t.me/memes_prog
🇬🇧Английский: t.me/english_forprogrammers
🧠ИИ: t.me/vistehno
🎓954ГБ ОПЕНСОРС КУРСОВ: @courses
📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Сохрани себе, чтобы не потерять!
Здесь ты найдёшь всё это - коротко, по делу и без воды.
Пока другие ищут, где “подглядеть решение”, ты уже используешь самые свежие инструменты!
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Devops: t.me/DevOPSitsec
Собеседования DS: t.me/machinelearning_interview
C++ t.me/cpluspluc
Docker: t.me/DevopsDocker
Хакинг: t.me/linuxkalii
Data Science: t.me/data_analysis_ml
Javascript: t.me/javascriptv
C#: t.me/csharp_1001_notes
Java: t.me/java_library
Базы данных: t.me/sqlhub
Python собеседования: t.me/python_job_interview
Мобильная разработка: t.me/mobdevelop
Golang: t.me/Golang_google
React: t.me/react_tg
Rust: t.me/rust_code
ИИ: t.me/vistehno
PHP: t.me/phpshka
Android: t.me/android_its
Frontend: t.me/front
Big Data: t.me/bigdatai
МАТЕМАТИКА: t.me/data_math
Kubernets: t.me/kubernetc
Разработка игр: https://t.me/gamedev
Haskell: t.me/haskell_tg
Физика: t.me/fizmat
💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка FRONTEND: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Папка Linux:https://t.me/addlist/w4Doot-XBG4xNzYy
😆ИТ-Мемы: t.me/memes_prog
🇬🇧Английский: t.me/english_forprogrammers
🧠ИИ: t.me/vistehno
🎓954ГБ ОПЕНСОРС КУРСОВ: @courses
📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Сохрани себе, чтобы не потерять!
🔥2👍1
Media is too big
VIEW IN TELEGRAM
🚀 Пул интерпретаторов в Python 3.14
Что появилось:
- В Python 3.14 добавили *пул интерпретаторов* — теперь в одном процессе можно запускать несколько независимых интерпретаторов.
- Это шаг к более безопасным, масштабируемым и изолированным системам на Python.
Зачем это нужно:
- Снижает зависимость от тяжёлых процессов — можно управлять несколькими интерпретаторами внутри одного процесса.
- Повышает отказоустойчивость: сбой одного интерпретатора не падает весь процесс.
- Открывает возможность частично обходить ограничения GIL, используя параллельность на уровне нескольких интерпретаторов.
Главные плюсы:
- Лучшая изоляция выполнения.
- Больше возможностей для масштабирования внутри одного процесса.
- Архитектурно Python становится ближе к моделям с lightweight-виртуальными машинами.
Главные минусы:
- Каждый интерпретатор требует своё адресное пространство → больший расход памяти.
- Увеличивается время инициализации в сравнении с потоками.
- Не во всех сценариях заменяет multiprocessing или threading.
Пул интерпретаторов - фундаментальное изменение, которое позволит по-новому строить высоконагруженные и безопасные Python-приложения, но потребует переосмысления архитектуры и учёта повышенного расхода ресурсов.
https://www.youtube.com/watch?v=Jd0MOM1dlfI
Что появилось:
- В Python 3.14 добавили *пул интерпретаторов* — теперь в одном процессе можно запускать несколько независимых интерпретаторов.
- Это шаг к более безопасным, масштабируемым и изолированным системам на Python.
Зачем это нужно:
- Снижает зависимость от тяжёлых процессов — можно управлять несколькими интерпретаторами внутри одного процесса.
- Повышает отказоустойчивость: сбой одного интерпретатора не падает весь процесс.
- Открывает возможность частично обходить ограничения GIL, используя параллельность на уровне нескольких интерпретаторов.
Главные плюсы:
- Лучшая изоляция выполнения.
- Больше возможностей для масштабирования внутри одного процесса.
- Архитектурно Python становится ближе к моделям с lightweight-виртуальными машинами.
Главные минусы:
- Каждый интерпретатор требует своё адресное пространство → больший расход памяти.
- Увеличивается время инициализации в сравнении с потоками.
- Не во всех сценариях заменяет multiprocessing или threading.
Пул интерпретаторов - фундаментальное изменение, которое позволит по-новому строить высоконагруженные и безопасные Python-приложения, но потребует переосмысления архитектуры и учёта повышенного расхода ресурсов.
https://www.youtube.com/watch?v=Jd0MOM1dlfI
❤2👍1🔥1
Добавь AI в свой Python-проект за 7 недель
На Stepik вышел курс «LangChain: с нуля до продакшн LLM приложений»:
✅ RAG-поиск по документам (FAQ-бот, база знаний)
✅ Агенты для анализа данных (CSV, JSON через Pandas)
✅ API на FastAPI с LLM под капотом
Не нужно становиться ML-инженером — интегрируешь LLM как обычный сервис.
Практика • Код из коробки • Сертификат Stepik
Скидка 25% — 3 дня 🔥
Пройти курс со скидкой
На Stepik вышел курс «LangChain: с нуля до продакшн LLM приложений»:
✅ RAG-поиск по документам (FAQ-бот, база знаний)
✅ Агенты для анализа данных (CSV, JSON через Pandas)
✅ API на FastAPI с LLM под капотом
Не нужно становиться ML-инженером — интегрируешь LLM как обычный сервис.
Практика • Код из коробки • Сертификат Stepik
Скидка 25% — 3 дня 🔥
Пройти курс со скидкой
👎3❤1🥴1🖕1
🚀 VibeThinker: Новый стандарт в моделях с малым количеством параметров
Это 1.5B модель, которая демонстрирует выдающиеся способности в решении математических задач, соперничая с гораздо более крупными моделями. Используя инновационную методику постобучения, она достигает результатов, сопоставимых с открытыми моделями, такими как GPT OSS-20B Medium, при значительно меньших затратах.
🚀Основные моменты:
- Эффективность: 1.5B параметров, производительность на уровне 1000B+ моделей.
- Инновационная методология: "Spectrum-to-Signal Principle" для улучшения разнообразия выходных данных.
- Выдающиеся результаты: Превосходит модели, в 10-600 раз большие.
- Экономичность: Разработка модели стоит всего $7,800 против сотен тысяч для конкурентов.
📌 GitHub: https://github.com/WeiboAI/VibeThinker
#python
Это 1.5B модель, которая демонстрирует выдающиеся способности в решении математических задач, соперничая с гораздо более крупными моделями. Используя инновационную методику постобучения, она достигает результатов, сопоставимых с открытыми моделями, такими как GPT OSS-20B Medium, при значительно меньших затратах.
🚀Основные моменты:
- Эффективность: 1.5B параметров, производительность на уровне 1000B+ моделей.
- Инновационная методология: "Spectrum-to-Signal Principle" для улучшения разнообразия выходных данных.
- Выдающиеся результаты: Превосходит модели, в 10-600 раз большие.
- Экономичность: Разработка модели стоит всего $7,800 против сотен тысяч для конкурентов.
📌 GitHub: https://github.com/WeiboAI/VibeThinker
#python
❤4👍2