بالاخره پروژه‌ای که مدت‌ها قبل روش کار می‌کردم رو امروز آماده ریلیز کردم!
پروژه Cute JSON یه سیستم آنلاینه که از روی کلیدهای JSON، به‌صورت خودکار API می‌سازه. ایده‌ش از جایی اومد که چند بار خودم نیاز داشتم سریع یه API داشته باشم، بدون اینکه بخوام سرور راه بندازم و یا جیسان سرور استفاده کنم و درگیر مشکلات دیپلوی بشم.
توی این پروژه سعی کردم علاوه بر فیچر های جیسان سرور، یه سری موارد مثل فیلترها، تولید داده فیک، ریکاوری دیتاها و... اضافه کنم.

این سیستم برای ذخیره سازی داده های پروژه های آموزشی و تستی مناسب هست و برای پروداکشن توصیه نمیشه.

https://cutejson.dev/

@DevTwitter | <Mohammad Reza Zolfaghari/>

خب دوستان بریم برای بحث جذاب آرایه ها!📝

توی پست قبلی گفتیم که آرایه یه ساختمان داده خطی هست. همونطور که گفتیم تو این روش داده ها در حافظه یه دنباله تشکیل میدن. در صورتی که این داده ها رو کنار هم توی حافظه بچینیم بهشون ارایه گفته میشه

حالتی هم داریم که به جای خود داده پوینتری از داده رو ذخیره میکنیم که بهش لیست پیوندی گفته میشه که درباره اش توی پست های بعدی صحبت میکنیم

چطور یه آرایه بسازیم❓
🔹عمدتا با علامت [] میتونیم مشخص کنیم که متغیرمون از نوع ارایه است

توی بیشتر زبان ها باید نوع داده های ارایمون یکی باشه و باید برای زبان مشخص کنیم که چه داده ای میخوایم ذخیره کنیم اما برای پایتون این مورد اجباری نیست و میشه کاملا داینامیک ارایه ساخت
مثال:

my_array = [] # python
int my_array[4]; # c



نکته
توی پایتون در اصل یک نوع از لیست استفاده میشه اما ما برای سادگی اون رو ارایه فرض میکنیم

چطور داده ذخیره شده رو ببینیم❓
🔹در حالت کلی در صورتی که بخوایم داده های ارایه رو ببینیم باید از این فرمول استفاده کنیم

Loc = سایز تایپ ارایه * اندیس عنصر مورد نظر + ادرس شروع ارایه

اما در خیلی از زبان ها این مورد خودکار هندل شده و ما میتونیم به راحتی با اندیس به داده مون دسترسی داشته باشیم
به طور مثال در کد زیر میخوایم عنصر سوم ارایمون رو چاپ کنیم

مثال

print(my_array[2]) # output:‌ 3

چطور توی ارایه مون تغییرات انجام بدیم❓
🔹توی پایتون برای اضافه کردن عنصر باید از append استفاده کنیم ولی برای بقیه عملیات ها کافیه از اندیس ایتم داده مون استفاده کنیم
مثال:

my_array.append(4)
del my_array[2] 
my_array[0] = 6

سرعت اجرای عملیات های مختلف توی ارایه چقدره❓
🔹موقعی که میخوایم یک داده رو بخونیم با توجه به اینکه توی فرمول بالاتر به لوکیشنش در حافظه دسترسی داریم با یک گام میتونیم داده مورد نظرمون رو بخونیم که اصطلاحا بهش o(1) گفته میشه
🔹اما برای اضافه و حذف کردن ایتم در صورتی که اون ایتم اول یا اخر باشه o(1) هست اما اگر بخوایم به بقیه خونه ها تغییری ایجاد کنیم باید ایتم ها رو جابجا کنیم که به تعداد ایتم ها عملیات تکرار میشه و هرچی تعداد داده ها بیشتر باشه زمان برنامه ما بیشتر میشه که اصطلاحا o(n) گفته میشه

✏️جمع بندی
🔹همونطور که دیدیم ارایه یه نوع ساختار خطیه که برای ذخیره داده های مشابه هم مناسبه و با سرعت بالا میشه داده ها رو خوند اما تغییر در داده ها ممکنه زمان بر باشه و فقط بخش حافظه تخصیص داده شده قابل استفاده باشه و زمانی که ایتم های کمی داخلش ذخیره شدن حافظه مون هدر میره

👥تو پست های بعدی انواع دیگه ای از این ساختار هارو برسی میکنیم لطفا نقطه نظر ها و ریکشن هاتون رو با ما به اشتراک بزارید!

⭐️ دانلود فایل با حداکثر سرعت در ترمینال با دستور aria2c

aria2c -x 16 -s 16 'YOUR_URL'

این دستور به aria2c می‌گوید که فایل موجود در آدرس YOUR_URL را با استفاده از 16 اتصال همزمان و با تقسیم فایل به 16 قطعه دانلود کند.

🔹-گزینه x 16: این گزینه تعداد اتصالات همزمان را به 16 تنظیم می‌کند. به عبارت دیگر، aria2c می‌تواند تا 16 اتصال جداگانه برای دانلود یک فایل برقرار کند. این امر می‌تواند سرعت دانلود را به ویژه برای فایل‌های بزرگ و در شبکه‌های با پهنای باند بالا افزایش دهد.

🔹گزینه -s 16: این گزینه تعداد قطعات (segment) که فایل به آن‌ها تقسیم می‌شود را به 16 تنظیم می‌کند. تقسیم فایل به قطعات کوچک‌تر می‌تواند به بهبود عملکرد دانلود کمک کند، در aria2c، فایل دانلودی به چندین سگمنت تقسیم می‌شود و هر سگمنت به صورت موازی دانلود می‌شود.


نویسنده: حسین سیلانی
منبع : کانال لینوکسی: لینوکس تی ان تی
linuxtnt
http://seilany.ir
——————————————————
⭐️حمایت از کانال
https://zarinp.al/learninghive.ir
https://daramet.com/hossein_seilani

خب دوستان بریم برای بحث جذاب آرایه ها!📝

توی پست قبلی گفتیم که آرایه یه ساختمان داده خطی هست. همونطور که گفتیم تو این روش داده ها در حافظه یه دنباله تشکیل میدن. در صورتی که این داده ها رو کنار هم توی حافظه بچینیم بهشون ارایه گفته میشه

حالتی هم داریم که به جای خود داده پوینتری از داده رو ذخیره میکنیم که بهش لیست پیوندی گفته میشه که درباره اش توی پست های بعدی صحبت میکنیم

چطور یه آرایه بسازیم❓
🔹عمدتا با علامت [] میتونیم مشخص کنیم که متغیرمون از نوع ارایه است

توی بیشتر زبان ها باید نوع داده های ارایمون یکی باشه و باید برای زبان مشخص کنیم که چه داده ای میخوایم ذخیره کنیم اما برای پایتون این مورد اجباری نیست و میشه کاملا داینامیک ارایه ساخت
مثال:

my_array = []

```C
int my_array[4];
‍‍‍

توی پایتون در اصل یک نوع از لیست استفاده میشه اما ما برای سادگی اون رو ارایه فرض میکنیم

چطور داده ذخیره شده رو ببینیم❓
🔹در حالت کلی در صورتی که بخوایم داده های ارایه رو ببینیم باید از این فرمول استفاده کنیم
Loc = سایز تایپ ارایه * اندیس عنصر مورد نظر + ادرس شروع ارایه
اما در خیلی از زبان ها این مورد خودکار هندل شده و ما میتونیم به راحتی با اندیس به داده مون دسترسی داشته باشیم
به طور مثال در کد زیر میخوایم به عنصر سوم ارایمون دسترسی داشته باشیم

python
my_array = [1, 2, 3]
print(my_array[2]) # output:‌ 3

چطور توی ارایه مون تغییرات انجام بدیم❓
🔹توی پایتون برای اضافه کردن عنصر باید از append استفاده کنیم ولی برای بقیه عملیات ها  کافیه از اندیس ایتم داده مون استفاده کنیم 
مثال:

python
my_array.append(4)
del my_array[2]
my_array[0] = 6
`


سرعت اجرای عملیات های مختلف توی ارایه چقدره❓
🔹موقعی که میخوایم یک داده رو بخونیم با توجه به اینکه توی فرمول بالاتر به لوکیشنش در حافظه دسترسی داریم با یک گام میتونیم داده مورد نظرمون رو بخونیم که اصطلاحا بهش o(1) گفته میشه
🔹اما برای اضافه و حذف کردن ایتم در صورتی که اون ایتم اول یا اخر باشه o(1) هست
اما اگر بخوایم به بقیه خونه ها تغییری ایجاد کنیم باید ایتم ها رو جابجا کنیم که به تعداد ایتم ها عملیات تکرار میشه و هرچی تعداد داده ها بیشتر باشه زمان برنامه ما بیشتر میشه که اصطلاحا o(n) گفته میشه

جمع بندی✍
همونطور که دیدیم ارایه یه نوع ساختار خطیه که برای ذخیره داده های مشابه هم مناسبه و با سرعت بالا میشه داده ها رو خوند اما تغییر در داده ها ممکنه زمان بر باشه و فقط بخش حافظه تخصیص داده شده قابل استفاده باشه و زمانی که ایتم های کمی داخلش ذخیره شدن حافظه مون هدر میره

تو پست های بعدی انواع دیگه ای از این ساختار هارو برسی میکنیم لطفا نقطه نظر ها و ریکشن هاتون رو با ما به اشتراک بزارید!

#️⃣ #programming #data_structure

➖➖➖➖➖➖➖➖➖

🥷 CHANNEL | GROUP

‌ردیس در فرانت‌اند: چرا و چگونه؟

ردیس معمولاً به عنوان یک پایگاه داده در حافظه برای بک‌اند استفاده می‌شود، اما آیا در فرانت‌اند هم کاربرد دارد؟ بله! در اینجا چند مورد از نقش‌های Redis در توسعه فرانت‌اند را بررسی می‌کنیم:

- کَشینگ سمت کلاینت: اگر از Next.js یا Nuxt.js استفاده می‌کنید، می‌توانید از Redis برای سرعت‌بخشیدن به درخواست‌های API و کاهش زمان لود صفحات بهره ببرید.

مدیریت Websockets :در اپلیکیشن‌های چت، اعلان‌ها یا داشبوردهای بلادرنگ، Redis Pub/Sub می‌تواند پیام‌ها را به‌سرعت بین کاربران همگام‌سازی کند.

مدیریت نشست‌ها (Session Management): برای اپلیکیشن‌هایی که از احراز هویت استفاده می‌کنند، ذخیره سشن‌ها در Redis سرعت و مقیاس‌پذیری را بهبود می‌بخشد.

ریت لیمیت (Rate Limithing & Throttling): در فرانت‌اند، برای جلوگیری از درخواست‌های بیش از حد به API، می‌توان از Redisبرای مدیریت نرخ درخواست‌ها استفاده کرد.

نتیجه‌گیری: اگرچه Redis یک ابزار سمت سرور است، اما در بهینه‌سازی تجربه کاربری و افزایش سرعت فرانت‌اند نقش مهمی دارد.

@DevTwitter | <Soheil Seyyedi/>

توی کد های html اگه از استایل و لایبری های معروف استفاده می‌کنید سعی کنید از CDN های معروفی استفاده کنید که اکثر سایتا ازش استفاده می‌کنن، چون کاربرا احتمالا قبلا رفتن توی اون سایتا و از قبل دانلود شدن و چون cache شدن دیگه دانلود نمی‌شن و سرعت لود سایتتون کم نمی‌شه.


@Linuxor

کار ساعتی، قاتل برنامه‌نویس

این روزها دارم دنبال یک کار جدید میگردم و یکی از دلایل اصلیش هم ساعتی شدن شرکتیه که در حال حاضر داخلش کار میکنم :)

ولی بزارید براتون توضیح بدم که چرا کار ساعتی بده و چرا باید ازش دوری کنید

کار ساعتی یعنی به مقدار ساعتی که دارید کد میزنید بهتون پول میدیم، یعنی هرچی بیشتر کد بزنید بیشتر پول میگیرید، بعضی‌ها میگن خوب عالیه که من کل روز کار میکنم یک عالمه هم پول میگیرم D:

ولی یک سری مشکلات وجود داره، شاید شیوه کار ساعتی برای یک برنامه‌نویس تازه کار که داره همزمان یاد میگیره خیلی خوب باشه ولی برای کسی که راهش رو رفته و کل ماجرا کاری که میخواد انجام بده رو میدونه مثل زهر میمونه.

چرا؟
چون اگر فلان تسک رو سریع انجام بده پول کمتری میگیره
چون اگه فلان تسک تمیز انجام بده پول کمتری میگیره
چون اگه وقت تلف کنه پول بیشتری میگیره
چون اگه تنبلی کنه و کد کثیف بزنه پول بیشتری میگیره
چون اگه کد کثیف بزنه، بعدا دیباگش بیشتر طول میکشه و بیشتر پول میگیره؟

کار ساعتی باعث میشه شما در نهایت یادبگیرید که ارزش دانش شما هیچ هستش و فقط زمان شما مهم هست. و اینکه اگر تسک‌ها تموم بشه شما پولی درنمیارید تا تسک جدید بهتون بدن.

آها راستی اگه یک روز مریض شدید هم خبری از پول نیست :)

البته تمام این‌ها رو بعد حدود ۳ سال ساعتی کار کردن میگم.

@TorhamDevCH

نسخه جدید Mesa منتشر شد.
#Mesa #Vulkan #RDNA4 #OpenGL #OpenCL

در تغییرات نسخه 25 شاهد اضافه شدن پشتیبانی گرافیک های RDNA4 هستیم.

اکنون RadeonSI Gallium3D (OpenGL) که توسط amd نگه داری می‌شود و درایور RADV (Vulkan) که توسط valve نگه داری می‌شود پشتیبانی بهتری دارند.

علاوه بر این، Mesa یک آپدیت API در دسامبر معرفی کرده بود که در آن پشتیبانی Vulkan 1.4 برای RADV اضافه شد.
سایر درایور‌های Mesa Vulkan نیز پشتیبانی Vulkan 1.4 را دریافت کرده‌اند.

یکی از تغییرات جدید برای AMD اضافه‌شدن بک‌اند کامپایلر ACO است ، ACO به‌صورت پیشفرض برای پردازنده‌های گرافیکی قدیمی که قبل از معماری RDNA معرفی شدند و که با درایور های RadeomSI Gallium3D کار میکنند است ، که میتواند به عنوان یک جایگزین برای کامپایلر AMDGPU LLVM باشد.

همچنین شاهد یک پشتیبانی آزمایشی از طرف AMD برای ارسال مستقیم وظایف به GPU‌ ها با کنار‌گذاشتن درایورها برای بهبود عملکرد (در میکروکرنل ها) و سبک شدن پردازش درایور هااست

همچنین، شامل بهبودهای مختلفی در Zink
(OpenGL روی Vulkan)
و افزونه‌های Vulkan که توسط ARM Mali PanVK پشتیبانی‌ می‌شوند،
پشتیبانی بهتر Qualcomm Adreno Vulkan با Turnip،
بهینه‌سازی های بسیار Intel Xe2 برای سری Lunar Lake و Battlemage
اکنون درایور Intel ANV Vulkan نیز رمزگشایی ویدیو AV1 و قابلیت های جدید دیگری را پشتیبانی می‌کند.

در آخر باید گفت که Mesa 25.0 بهبود های بسیاری (به خصوص برای درایور های گرافیک AMD و Intel) داشته است.

منبع خبر

@LinNews | @LinAcademy

مولانا | دیوان شمس | رباعیات | رباعی شمارهٔ ۱۶۱۱

ای کوران را به لطف ره بین کرده
وی گبران را پیشرو دین کرده
درویشان را به ملک خسرو کرده
وی خسرو را برده شیرین کرده

#مولانا | گنجور
📍@iipoem

چطور می‌توانیم تراکنش‌های پایگاه داده در Django رو به صورت یکپارچه و بدون دردسر مدیریت کنیم؟
در دنیای برنامه‌نویسی، گاهی اوقات با مجموعه‌ای از عملیات پایگاه داده روبه‌رو می‌شویم که باید همگی به طور موفقیت‌آمیز انجام شوند یا اصلاً انجام نشوند. دکوراتور atomic در Django دقیقاً برای همین موقعیت طراحی شده است. در این مقاله به بررسی مزایا و کاربردهای این دکوراتور می‌پردازیم.

دکوراتور atomic چیست؟
دکوراتور atomic در Django ابزاری قدرتمند برای مدیریت تراکنش‌های پایگاه داده است که به شما این امکان را می‌دهد که مجموعه‌ای از عملیات پایگاه داده را به صورت یک تراکنش واحد اجرا کنید. این ویژگی به شما کمک می‌کند تا از مشکلاتی همچون ناسازگاری داده‌ها و تراکنش‌های ناقص جلوگیری کنید.

قابلیت‌ها و کارایی‌های دکوراتور atomic:
مدیریت تراکنش‌ها
اصلی‌ترین وظیفه atomic، مدیریت تراکنش‌های پایگاه داده است. با قرار دادن تابع یا view خود در داخل این دکوراتور، تمامی عملیات پایگاه داده در آن بخش به صورت یک تراکنش واحد اجرا می‌شوند.
جلوگیری از ناسازگاری داده‌ها
اگر در حین انجام عملیات پایگاه داده، خطایی رخ دهد، atomic تضمین می‌کند که هیچ تغییری در پایگاه داده اعمال نشود و تمامی تغییرات به حالت قبلی برمی‌گردند. این کار از ایجاد ناسازگاری در داده‌ها جلوگیری می‌کند.
افزایش عملکرد
در برخی موارد، استفاده از atomic می‌تواند عملکرد برنامه را بهبود دهد. با کاهش تعداد تماس‌های متوالی به پایگاه داده، می‌توان سرعت اجرای عملیات را افزایش داد.
کنترل دقیق‌تر
شما می‌توانید سطح انزوا (Isolation) تراکنش‌ها را نیز مشخص کنید. این ویژگی به شما امکان می‌دهد که دقیقاً کنترل کنید که تراکنش‌ها چگونه اجرا شوند و از تداخل آن‌ها جلوگیری کنید.
ویژگی‌های کلیدی دکوراتور atomic
Atomicidad:
تمام عملیات داخل یک بلوک کد یا view یا به طور کامل انجام می‌شود یا اصلاً انجام نمی‌شود.
Isolation:
سطح انزوای تراکنش‌ها را تعیین می‌کند تا از تداخل تراکنش‌ها با یکدیگر جلوگیری شود.
Durability:
تغییرات اعمال شده در پایگاه داده پس از خرابی سیستم یا قطع برق، باقی می‌مانند.
ACID Properties:
دکوراتور atomic به چهار ویژگی اساسی یعنی Atomicity, Consistency, Isolation و Durability مجهز است که در طراحی برنامه‌های پایدار و قابل اعتماد بسیار موثر است.

موارد استفاده رایج:
انتقال وجه
در سیستم‌های مالی برای جلوگیری از خطاهای احتمالی هنگام انتقال وجه بین حساب‌ها.
ثبت سفارش
در فروشگاه‌های آنلاین برای اطمینان از ثبت کامل سفارش و جلوگیری از ثبت سفارش‌های ناقص.
مدیریت موجودی
در سیستم‌های انبارداری برای به‌روزرسانی موجودی کالاها به طور دقیق و جلوگیری از مغایرت‌ها.
مزایای استفاده از atomic
کاهش خطاهای پایگاه داده: با مدیریت دقیق تراکنش‌ها، احتمال خطاهای ناشی از عملیات ناقص کاهش می‌یابد.
افزایش امنیت داده‌ها: جلوگیری از ناسازگاری داده‌ها موجب حفظ امنیت اطلاعات کاربران می‌شود.
بهبود عملکرد: در برخی سناریوها، استفاده از atomic می‌تواند عملکرد کلی برنامه را بهبود بخشد.

نکات مهم
از atomic در مواقعی که نیاز به یکپارچگی عملیات پایگاه داده دارید استفاده کنید.
توجه داشته باشید که استفاده بی‌رویه از atomic ممکن است منجر به کاهش عملکرد برنامه شود.
در صورت نیاز به کنترل دقیق‌تر بر تراکنش‌ها، می‌توانید از پارامترهای مختلف این دکوراتور استفاده کنید.

@DevTwitter | <Sobhan Hassanzadeh/>

اوبونتو  ۲۴.۰۴.۲ LTS منتشر شد: با هسته لینوکس ۶.۱۱ و پشته گرافیکی Mesa 24.2


این نسخه نقطه‌ای عمدتاً به‌عنوان مجموعه‌ای از وصله‌های امنیتی و به‌روزرسانی‌های نرم‌افزاری منتشر شده از آگوست ۲۰۲۴ طراحی شده است و هدف آن، نصب‌های جدید است. کاربرانی که از اوبونتو ۲۴.۰۴ LTS یا ۲۴.۰۴.۱ LTS استفاده می‌کنند، تنها نیاز به به‌روزرسانی سیستم خود دارند.

تو این ریپازیتوری، میتونید لیستی از workflow های از قبل تنظیم شده رو ببینید، کدهاشو بخونید و ازش استفاده کنید.

https://github.com/actions/starter-workflows/

دوست دارید در خصوص گیتهاب اکشن پست های بیشتری بذاریم؟ تو پروژه هاتون از گیتهاب اکشن استفاده می کنید؟

#github #workflow

@Syntax_fa

سایت بسیار خوبیه در مقایسه llm‌ها با هم از نظر معیارهای مختلف (کیفیت و سرعت و هزینه و ....):


https://artificialanalysis.ai/