Podcast.__init__: Python's Built In IDE Isn't Just Sitting IDLE
https://www.pythonpodcast.com/idle-python-ide/

Audio

checkov - вычисляем уязвимости настроек при сборке приложения
http://github.com/bridgecrewio/checkov

Юнит-тесты на Python: Быстрый старт
https://habr.com/ru/post/481806/?utm_campaign=481806&utm_source=habrahabr&utm_medium=rss

Юнит-тестирование кода является неотъемлемой частью жизненного цикла разработки программного обеспечения. Юнит-тесты также формируют основу для проведения регрессионного тестирования, то есть они гарантируют, что система будет вести себя согласно сценарию, когда добавятся новые функциональные возможности или изменятся существующие.


В этой статье я продемонстрирую основную идею юнит-тестирования на одном классе. На практике вам придется писать множество тестовых случаев, добавлять их в тестовый набор и запускать все вместе. Управление тест-кейсами мы рассмотрим в следующей статье.

Обзор Keras для TensorFlow
https://habr.com/ru/post/482126/?utm_campaign=482126&utm_source=habrahabr&utm_medium=rss

Перевод обзорного руководства с сайта Tensorflow.org. Это руководство даст вам основы для начала работы с Keras. Чтение займет 10 минут.

PyPy 7.3.0 released
http://feedproxy.google.com/~r/PyPyStatusBlog/~3/tdL7BRc_Y08/pypy-730-released.html

[Видео] Django under microscope / Артем Малышев (Self Employed)
https://www.youtube.com/watch?v=fxs5dFB3xD4

[Видео] Интерактивный и холиварный доклад про линтеры / Никита Соболев (wemake.services)
https://www.youtube.com/watch?v=6vrJGOI-8S4

[Видео] Как обновить Python 2.7 до Python 3.6 и не умереть / Александр Полищук (Код Безопасности)
https://www.youtube.com/watch?v=5U5kqrxW2ic

[Видео] Beyond jupyter / Андрей Попов (Positive Technologies)
https://www.youtube.com/watch?v=uxpeU6Ya-MU

[Видео] Wagtail: когда хочется чего-то приятнее, чем просто Django / Игорь Мосягин (Lamoda)
https://www.youtube.com/watch?v=g6Fwef4KwwQ

[Видео] Pylint изнутри. Как он это делает / Максим Мазаев (ЦИАН)
https://www.youtube.com/watch?v=PuY6HTMAbVg

[Видео] Python Virtual Assistant, или Как собрать бота с AI на простом стеке / Олег Пличко
https://www.youtube.com/watch?v=0xFGuadp1qM

[Видео] Как выкинуть из проекта C++ код, чтобы за это ничего не было / Александр Боргардт
https://www.youtube.com/watch?v=eaSYG8uAy34

[Видео] Theory of Neural Networks / Beau Carnes (freeCodeCamp.org)
https://www.youtube.com/watch?v=kHZ81aKpKFQ

[Видео] Создание DSL-компиляторов на Python / Пётр Советов (МИРЭА)
https://www.youtube.com/watch?v=QCcbo4cRL8A

Джедайская техника уменьшения сверточных сетей — pruning
https://habr.com/ru/post/482050/?utm_campaign=482050&utm_source=habrahabr&utm_medium=rss

Перед тобой снова задача детектирования объектов. Приоритет — скорость работы при приемлемой точности. Берешь архитектуру YOLOv3 и дообучаешь. Точность(mAp75) больше 0.95. Но скорость прогона всё еще низкая. Черт.
 
Сегодня обойдём стороной квантизацию. А под катом рассмотрим Model Pruning — обрезание избыточных частей сети для ускорения Inference без потери точности. Наглядно — откуда, сколько и как можно вырезать. Разберем, как сделать это вручную и где можно автоматизировать. В конце — репозиторий на keras.

Отправляем письма с помощью asyncio и aiohttp из Django приложения
https://habr.com/ru/post/482114/?utm_campaign=482114&utm_source=habrahabr&utm_medium=rss

Я занимаюсь разработкой и поддержкой сервиса уведомлений. Сервис написан на Python3 и Django. Помимо транзакционных писем, пушей и сообщений, сервис также берёт на себя задачи по массовым рассылкам коммерческих предложений (не спам! trust me, отписки у нас работают лучше подписок) пользователям, давшим на это согласие. Со временем база активных получателей разрослась до более миллиона адресов, к чему почтовый сервис не был готов. Я хочу рассказать о том, как новые возможности Python позволили ускорить массовые рассылки и сэкономить ресурсы и с какими проблемами нам пришлось столкнуться при работе с ними.

PrettyErrors - Prettify exception
http://github.com/onelivesleft/PrettyErrors

typer - добавляем валидацию типов в CLI
http://github.com/tiangolo/typer

Автогенерация и заливка элементов конфигураций сетевых устройств с помощью Nornir
https://habr.com/ru/post/482194/?utm_campaign=482194&utm_source=habrahabr&utm_medium=rss

Недавно тут проскочила статья Mikrotik и Linux. Рутина и автоматизация (http://https://habr.com/en/post/480404/) где подобную задачу решали ископаемыми средствами. И хотя задача совершенно типовая, на Хабре про нее как то ничего подобного и не находится. Осмелюсь предложить уважаемому ИТ-сообществу свой велосипед.

Принимаем и декодируем аналоговое ТВ с помощью SDR и Python
https://habr.com/ru/post/482014/?utm_campaign=482014&utm_source=habrahabr&utm_medium=rss

Сегодня мы продолжим тему SDR-приема и обработки сигналов. Приемом аналогового ТВ я заинтересовался совершенно случайно, после вопроса одного из читателей. Однако это оказалось не так просто, из-за банального отсутствия образцов сигнала — во многих местах аналоговое ТВ уже отключено. Читатель даже прислал запись с RTL-SDR, однако ширина записи у RTL порядка 2МГц, в то время как полоса ТВ-сигнала занимает около 8МГц, и на записи было ничего не понятно. В итоге, тема была надолго заброшена, и наконец, только сейчас, в очередную поездку к родственникам я взял с собой SDRPlay, и настроившись на частоты ТВ-каналов, увидел на экране искомый сигнал.