TGINSIGHT SIMILAR POSTS
Изворен канал @pythonotes · Post #397 · 12 ное.
Использование Pydantic сегодня стало нормой, и это правильно. Но иногда на ревью вижу, что используют его не всегда корректно. Например, метод BaseModel.model_dump() по умолчанию не преобразует стандартные типы, такие как datetime, UUID или Decimal, в простой сериализуемый для JSON вид. Тогда пишут кастмоный сериализатор для этих типов чтобы функция json.dump() не падала с ошибкой. import uuid from datetime import datetime from decimal import Decimal from uuid import UUID from pydantic import BaseModel class MyModel(BaseModel): id: UUID date: datetime value: Decimal obj = MyModel( id=uuid.uuid4(), date=datetime.now(), value='1.23' ) print(obj.model_dump()) # не подходит для json.dump # { # 'id': UUID('4f8c1bc4-25fd-40cd-9dbe-2c73639b0dc1'), # 'date': datetime.datetime(2025, 12, 12, 12, 12, 12, 111111), # 'value': Decimal('1.23') # } # добавляем свой кастомный сериализатор json.dumps(obj.model_dump(), cls=MySerializer) # { # 'id': '4f8c1bc4-25fd-40cd-9dbe-2c73639b0dc1', # 'date': '2025-12-12T12:12:12.111111', # 'value': '1.23' # } В данном случае класс MySerializer обрабатывает datetime, UUID и Decimal. Например так: class MySerializer(json.JSONEncoder): def default(self, o): if isinstance(o, Decimal): return str(o) elif isinstance(o, datetime): return o.isoformat() elif isinstance(o, UUID): return str(o) return super().default(o) Специально для тех, кто всё еще так делает - в этом нет необходимости! Pydantic может это сделать сам, просто нужно добавить параметр mode="json". json.dumps(obj.model_dump(mode="json")) # { # 'id': '4f8c1bc4-25fd-40cd-9dbe-2c73639b0dc1', # 'date': '2012-12-12T12:12:12.111111', # 'value': '1.23' # } #pydantic#libs
Пребарај: #video2video
@phygitalcreative · Post #3157 · 29.06.2023 г., 13:26
Rerender a video теперь можно запустить в колабе. Работает пока не очень, можно ожидать что в официальном релизе будет лучше. Много красивых примеров на официальной страничке colab @тоже_моушн #text2video#video2video
Hashtags
@neuroport · Post #129 · 11.01.2025 г., 19:16
👄 LatentSync ● Синхронизация движения губ с аудио ● RU ● Portable by NerualDreming Ссылка на оригинальный GitHub:https://github.com/bytedance/LatentSync Репакер:#NerualDreming Дата обновления: 11 января 2025 Версия: 1.0 Категории:#lipsync, #AIvideo, #video2video Платформа:#Windows Язык: RU Место на диске: 17 ГБ Системные требования: NVIDIA GPU с не менее 8 ГБ VRAM Совместимость:#Nvidia 🖥Описание софта: LatentSync - это инновационный инструмент для синхронизации движения губ с аудио на основе латентных диффузионных моделей. Особенность системы в том, что она создает естественную и точную синхронизацию губ с речью без промежуточных этапов обработки, что делает результат более качественным и реалистичным. 😬Основные возможности LatentSync: 🟣 Высокоточная синхронизация движения губ с аудио 🟣 Сохранение естественной мимики лица 🟣 Поддержка как реальных, так и анимированных видео 🟣 Простой и понятный интерфейс 💿Установка и запуск: ⁍ Скачайте zip архив LatentSync ⁍ Распакуйте архив в удобное место (без кириллицы и пробелов в пути) ⁍ Запустите файл install-script.bat ⁍ Дождитесь окончания установки (будет выведено соответствующее сообщение) ⁍ Запустите start_latentsync.bat для начала работы ➡️Скачать LatentSync Portable ZIP — обычный ZIP архив 💬Обсудить в чате | ⭐️Поддержать канал 👾НЕЙРО-СОФТ — Делаем нейросети доступнее.
@githubtrending · Post #14988 · 23.07.2025 г., 00:00
#python#deep_learning#diffusion#flax#flux#hacktoberfest#image_generation#image2image#image2video#jax#latent_diffusion_models#pytorch#score_based_generative_modeling#stable_diffusion#stable_diffusion_diffusers#text2image#text2video#video2video The Hugging Face Diffusers library is a powerful and easy-to-use tool for generating images, audio, and 3D molecular structures using advanced diffusion models. It offers ready-to-use pretrained models and flexible components like pipelines, schedulers, and model building blocks, allowing you to quickly create or customize your own diffusion-based projects. Installation is simple via pip or conda, and you can generate high-quality outputs with just a few lines of code. This library benefits you by making cutting-edge AI generation accessible, customizable, and efficient, whether you want to run models or train your own[1][2][5]. https://github.com/huggingface/diffusers