TGTGInsighttelegram intelligenceLIVE / telegram public index
← Python Заметки

TGINSIGHT SIMILAR POSTS

Најди сличен содржај

Изворен канал @pythonotes · Post #241 · 5 мај

Можно ли в Python создавать бинарные файлы? Конечно можно. Для этого в Python есть следующие инструменты: ▫️ тип данных bytes и bytearray ▫️ открытие файла в режиме wb (write binary) или rb (read binary) ▫️ модуль struct Про модуль struct поговорим в первую очередь. Файл в формате JSON или Yaml внутри себя содержит разметку данных. Всегда можно определить где список начался а где закончился. Где записана строка а где словарь. То есть формат записи данных содержит в себе элементы разметки данных. В binary-файле данные не имеют визуальной разметки. Это просто байты, записанные один за другим. Правила записи и чтения находятся вне файла. Модуль struct как раз и помогает с организацией данных в таком файле с помощью определения форматов записи для разных частей файла. Модуль struct преобразует Python-объекты в массив байт, готовый к записи в файл и имеющий определённый вид. Для этого всегда следует указывать формат преобразования (или, как оно здесь называется - запаковки). Формат нужен для того, чтобы выделить достаточное количество байт для записи конкретного типа объекта. В последствии с помощью того же формата будет производиться чтение. При этом следует помнить что мы говорим о типах языка С а не Python. Именно формат определяет, что записано в конкретном месте файла, число, строка или что-то еще. Вот какие токены формата у нас есть. Помимо этого, первым символом можно указать порядок байтов. На разных системах одни и те же типы данных могут записываться по-разному, поэтому желательно указать конкретный способ из доступных. Если этого не сделать, то используется символ '@', то есть нативный для текущей системы. В строке формата мы пишем в каком порядке и какие типы собираемся преобразовать в байты. Запакуем в байты простое число, токен "i". >>> import struct >>> struct.pack('=i', 10) b'\n\x00\x00\x00' Теперь несколько float, при этом нужно передавать элементы не массивом а последовательностью аргументов. >>> struct.pack('=fff', 1.0, 2.5, 4.1) b'\x00\x00\x80?\x00\x00 @33\x83@' Вместо нескольких токенов можно просто указать нужное количество элементов перед одним токеном, результат будет тот же. >>> struct.pack('=3f', 1.0, 2.5, 4.1) b'\x00\x00\x80?\x00\x00 @33\x83@' Теперь запакуем разные типы >>> data = struct.pack('=fiQ', 1.0, 4, 100500) я запаковал типы float, int и unsigned long long (очень большой int, на 8 байт) b'\x00\x00\x80?\x04\x00\x00...' Распаковка происходит аналогично, но нужно указать тот же формат, который использовался при запаковке. Результат возвращается всегда в виде кортежа. >>> struct.unpack('=fiQ', data) (1.0, 4, 100500) Как видите, ничего страшного! #lib#basic

Hashtags

Резултати

Пронајдени 8 слични објави

Пребарај: #optimization

当前筛选 #optimization清除筛选
Data Science Jobs

@datasciencejobs · Post #2599 · 07.03.2025 г., 16:04

#вакансия#vacancy#DA#analyst#senior#remote#fulltime#optimization Вакансия: Middle+/Senior Data Analyst (с опытом в оптимизационных задачах) Формат: Удалённый Занятость: Полная Оплата: 3500 - 4500$ net. Ptolemay - аутсорсинговая IT-компания полного цикла по разработке мобильных и веб-приложений для бизнеса и стартапов. Ищем ML Engineer для аутстафф-проекта в сфере металлургии. Обязанности: - Разрабатывать и внедрять алгоритмы оптимизации для объемно-календарного планирования. - Осуществлять постановку и решение задач LP, NLP, определять целевые функции и ограничения. - Автоматизировать планирование в промышленности или смежных областях. - Работать с пакетами оптимизации (SciPy, Pyomo, CVXPY, OptaPlanner) и солверами (COBYLA, Ipopt и др.). Требования: - Опыт работы по функциональному направлению от 4-х лет. - Знание языков программирования Python либо Java. - Знание основных типов оптимизационных задач (LP, NLP и т.д.). - Опыт работы с пакетами оптимизации (SciPy, Pyomo, CVXPY, OptaPlanner или аналогичные). - Опыт работы с различными солверами (COBYLA, Ipopt и другие), понимание принципов их работы (сильные и слабые стороны). - Опыт линеаризации задач, постановка целевой функции и ограничений. - Опыт постановки задачи, разбиение на подзадачи. Условия работы: - Удалённый формат работы. - Полная занятость. - Оформление по ИП, СМЗ. - Оплата 3500 - 4500$ net. Буду рад ответить на вопросы и ознакомиться с резюме: @Dmitriy_Ptolemay

Venture Village Wall 🦄

@venturevillagewall · Post #3621 · 21.12.2024 г., 10:22

BuyerCaddy Secures $1.5M Funding BuyerCaddy has successfully raised $1.50M in funding as of December 19, 2024. The platform focuses on cost savings, optimization, and tech stack benchmarking, helping users identify redundant products, track utilization, and enhance integrations. #Funding#BuyerCaddy#TechStack#Optimization#CostSavings

智能视界

@AITimes365 · Post #158 · 17.07.2024 г., 00:52

#境外AI#Chrome#Google#Gemini#离线模型 Chrome浏览器内置可离线大模型 Gemini Nano ! 开通方式: 1. 下载并安装 Chrome (Dev 或 Canary) 版本 127 或更高版本。 2. 打开 Chrome,访问:chrome://flags/#prompt-api-for-gemini-nano,将设置改为 Enabled。 3. 打开 Chrome,访问:chrome://flags/#optimization-guide-on-device-model,将设置改为 Enabled BypassPrefRequirement。 4. 打开 Chrome,访问:chrome://components,找到 "Optimization Guide On Device Model",点击 "Check for Update"。 5. 如果没有看到 "Optimization Guide On Device Model",请等待几分钟,或尝试切换代理节点。 6. 打开浏览器并访问 https://chromeai.org/ 即可开始使用。

GitHub Trends

@githubtrending · Post #14797 · 06.06.2025 г., 12:00

#python#agents#document_search#evaluation#guardrails#llms#optimization#prompts#rag#vector_stores Ragbits is a tool that helps build and deploy GenAI applications quickly. It offers features like swapping between many language models, ensuring safe interactions with these models, and connecting to various data storage systems. Ragbits also includes tools for managing data and testing prompts, making it easier to develop reliable AI applications. This helps users create more accurate and efficient AI systems by integrating the latest data and reducing errors. Overall, Ragbits makes it faster and more efficient to develop and deploy AI applications. https://github.com/deepsense-ai/ragbits

GitHub Trends

@githubtrending · Post #15575 · 20.03.2026 г., 11:30

#java#aerospace#flight_simulator#java#modeling#optimization#rocket#rocketry#simulation#trajectory OpenRocket is a free tool to design, visualize in 3D, and simulate model rockets with six-degree-of-freedom flight analysis, real-time data on altitude/velocity, automatic optimization, and exports for 3D printing or other programs. It works on any platform via Java. You benefit by testing rockets virtually first, saving time/money on failed builds, predicting performance accurately, and flying safer, higher with optimized designs. https://github.com/openrocket/openrocket

Venture Village Wall 🦄

@venturevillagewall · Post #3510 · 20.12.2024 г., 06:30

Future of AI Search Optimization A new market emerges as users shift from traditional Google searches to AI tools like ChatGPT and Claude. The $70 billion search optimization industry sets the stage for a vast new optimization market focused on AI responses. Early entrants can capitalize on this shift with relatively simple platforms. Discover more: Read Here #AI#SearchOptimization#ChatGPT#Claude#Perplexity#MarketTrends#Innovation#TechIndustry#BusinessOpportunities#DigitalMarketing#InformationRetrieval#Technology#Entrepreneurship#FutureOfWork#Investment#Strategy#Growth#Optimization#Startups

GitHub Trends

@githubtrending · Post #15242 · 23.10.2025 г., 12:30

#python#ant_colony_algorithm#artificial_intelligence#fish_swarms#genetic_algorithm#heuristic_algorithms#immune#immune_algorithm#optimization#particle_swarm_optimization#pso#simulated_annealing#travelling_salesman_problem#tsp You can use scikit-opt, a Python library offering many heuristic optimization algorithms like Genetic Algorithm, Particle Swarm Optimization, Simulated Annealing, Ant Colony, Immune Algorithm, and Artificial Fish Swarm Algorithm. It supports user-defined functions to customize operators, allows continuing runs from previous iterations, and accelerates computations via vectorization, multithreading, multiprocessing, and caching. GPU support is in development. It helps solve complex optimization problems such as function minimization and the Traveling Salesman Problem efficiently, with easy installation and rich examples. This saves you time and effort in implementing and tuning optimization algorithms yourself. https://github.com/guofei9987/scikit-opt