Практически ровно год назад я решил сделать telegram-бота для сохранения файлов (в первую очередь книг) в облачное хранилище. Для реализации бота взял самую популярную библиотеку для Python python-telegram-bot. В прошлый раз запала хватило только на реализацию аутентификацию в tg-боте через OAuth 2.0. Детали про хранение access и refresh токенов я решил оставить на потом. И это потом наконец-то наступило, но несколько в ином виде: здесь будет отвлечённый пример без OAuth и предыдущего кода бота для более простого изложения.
В последнее время замечаю, что народ соскакивает с проверенного временем метода подбора параметров моделей при помощи GridSearchCV из модуля model_selection библиотеки scikit-learn на библиотеку optuna.
Судя по Google Trends эта волна началась около трёх лет назад, но я узнал про библиотеку лишь несколько месяцев назад и успел применить только в паре соревнований.
В optuna есть три основных понятия:
trial — один запуск функции, качество которой оптимизируем, study — сессия оптимизации.
Возникла идея простого бота, который будет отправлять переданные ему файлы в облако. Однако для аутентификации сейчас практически везде используется OAuth2. Если в web-приложениях пользоваться OAuth2 все уже научились, то с telegram у меня возникли вопросы.
В этой заметке будет минимальный пример telegram-бота, который работает с box.com через API с аутентификацией через OAuth2.
disclaimer #1: В статье не будет подробного описания работы OAuth2 — только необходимый минимум информации для понимания процесса.
В очередной раз после переустановки Windows осознал, что надо накатить драйвера, CUDA, cuDNN, Tensorflow/Keras для обучения нейронных сетей.
Каждый раз для меня это оказывается несложной, но времязатратной операцией: найти подходящую комбинацию Tensorflow/Keras, CUDA, cuDNN и Python несложно, но вспоминаю про эти зависимости только в тот момент, когда при импорте Tensorflow вижу, что видеокарта не обнаружена и начинаю поиск нужной страницы в документации Tensorflow.
В этот раз ситуация немного усложнилась. Помимо установки Tensorflow мне потребовалось установить PyTorch.
В последних версиях Postman появилась возможность добавлять пользовательское визуальное представление для ответа на запрос к API. Например, отобразить список объектов не как JSON, а в виде таблицы или карточек:
Эта статья даст краткую вводую информацию о том, как этим пользоваться.
Для начала Для того, чтобы сделать минимальный пример потребуется два действия:
Создать новый запрос в Postman, Создать шаблон, который будет применяться к ответу. Как создавать запросы я рассказывал в первой статье о Postman.
Я участвую в разработке продукта, одна из фич которго – классификация текстов документов по их содержимому. Например, входящий поток требуется разделить на разные папки: отедилить мух от котлет договоры от счетов-фактур.
Кратко одну из последних задач можно описать следующим образом: мы поставляем “в коробке” классификатор с пятью стандартными классами документов, а клиент хочет иметь возможность разделять поток документов на шесть классов: пять наших и один свой.
В этой статье я покажу один из возможных вариантов решения этой задачи на примере классического набора данных 20 newsgroup dataset:
Некоторое время назад возникла проблема с визуальным git клиентом: регулярно с некоторой периодичностью всплывала форма логина Github и требовала ввести логин и пароль. Ввод реквизитов никак не решал проблему – через какое-то время форма опять появлялась.
Гуглинг вывел на тему в поддержке Github. Судя по всему, эта проблема может быть связана с тем, что добавлен remote через клонирование по HTTPS адресу.
“Но ведь у меня не должно быть проектов с github на компе О_о” думал я открывая git клиент.