Formateador de código Black

Formateador de código Black Formateador de código Black

Formateador de código Blacklink image 0

Si llevas un tiempo programando en Python supongo que conocerás el PEP8, que es una guía de estilo para la escritura de código en Python, Black

Pues hoy traigo un formateador de código Python que sigue el PEP8 de manera que tus códigos sean más legibles y mantenibles tanto por otros como por tu yo del futuro

Instalaciónlink image 1

Para instalarlo podemos instalarlo con conda

conda install conda-forge::black
      

o con pip

pip install black
      

Código de ejemplolink image 2

Voy a crear un archivo llamado sample_code.py con el siguiente código

class myClass:
      def display_info(self, name, subname, age, description, address, city, zip_code, country, phone, email, license, departament):
      return f"Name : {name}, Subname : {subname}, Age : {age}, Description : {description}, Address : {address}, City : {city}, Zip Code : {zip_code}, Country : {country}, Phone : {phone}, Email : {email}, License : {license}, Departament : {departament}"
      
          def add_numbers(num1,
                          num2):
              return num1 + num2
      
          text = "This is some text"
      
          letters = (
              "alpha",
              "beta",
              "gamma",
              "delta",
              "epsilon",
              "zeta",
              "eta",
              "theta",
              "iota",
              "kappa",
          )
      

Como vemos tiene las dos primeras líneas muy largas, la declaración del segundo método en varias líneas, etc

eyes

Formatear el códigolink image 3

Para formatear el código tenemos dos opciones, hacer

black {source_file_or_directory}
      

o hacer

python -m black {source_file_or_directory}
      

Así que vamos a formatearlo

	
!black sample_code.py
Copy
	
reformatted sample_code.py
All done! ✨ 🍰 ✨
1 file reformatted.

Después de formatearlo el código ha quedado así

class myClass:
          def display_info(
              self,
      name,
      subname,
              age,
      description,
              address,
      city,
      zip_code,
      country,
      phone,
      email,
      license,
      departament,
          ):
      return f"Name : {name}, Subname : {subname}, Age : {age}, Description : {description}, Address : {address}, City : {city}, Zip Code : {zip_code}, Country : {country}, Phone : {phone}, Email : {email}, License : {license}, Departament : {departament}"
      
          def add_numbers(num1, num2):
              return num1 + num2
      
          text = "This is some text"
      
          letters = (
              "alpha",
              "beta",
              "gamma",
              "delta",
      epsilon
              "zeta",
      "eta",
              "theta",
              "iota",
              "kappa",
          )
      

Mucho mejor, ¿verdad?

Seguir leyendo

DoLa – Decoding by Contrasting Layers Improves Factuality in Large Language Models

DoLa – Decoding by Contrasting Layers Improves Factuality in Large Language Models

¿Alguna vez has hablado con un LLM y te ha respondido algo que suena como si hubiera estado bebiendo café de máquina durante toda la noche? 😂 ¡Eso es lo que llamamos una alucinación en el mundo de los LLMs! Pero no te preocupes, porque no es que tu modelo de lenguaje esté loco (aunque a veces puede parecerlo 🤪). La verdad es que los LLMs pueden ser un poco... creativos cuando se trata de generar texto. Pero gracias a DoLa, un método que utiliza capas de contraste para mejorar la factibilidad de los LLMs, podemos evitar que nuestros modelos de lenguaje se conviertan en escritores de ciencia ficción 😂. En este post, te explicaré cómo funciona DoLa y te mostraré un ejemplo de código para que puedas entender mejor cómo hacer que tus LLMs sean más fiables y menos propensos a inventar historias. ¡Vamos a salvar a nuestros LLMs de la locura y hacer que sean más útiles! 🚀

Últimos posts -->

¿Has visto estos proyectos?

Subtify

Subtify Subtify

Generador de subtítulos para videos en el idioma que desees. Además a cada persona le pone su subtítulo de un color

Ver todos los proyectos -->

¿Quieres aplicar la IA en tu proyecto? Contactame!

¿Quieres mejorar con estos tips?

Últimos tips -->

Usa esto en local

Los espacios de Hugging Face nos permite ejecutar modelos con demos muy sencillas, pero ¿qué pasa si la demo se rompe? O si el usuario la elimina? Por ello he creado contenedores docker con algunos espacios interesantes, para poder usarlos de manera local, pase lo que pase. De hecho, es posible que si pinchas en alún botón de ver proyecto te lleve a un espacio que no funciona.

Ver todos los contenedores -->

¿Quieres aplicar la IA en tu proyecto? Contactame!

¿Quieres entrenar tu modelo con estos datasets?

short-jokes-dataset

Dataset de chistes en inglés

opus100

Dataset con traducciones de inglés a español

netflix_titles

Dataset con películas y series de Netflix

Ver más datasets -->