[UT]Markdown语法(github版)

数字后端流程--place Floorplan完成后芯片的大致框架已经出现,万里长征已经迈出特别重要的第一步了,前面的步骤我们已经完成了io port,macro的摆放,现在core外只剩下std cell(标准单元)了,Place这一步就是要把std cell放进core里。看到密密麻麻的std cell也不用紧张,因为放std cell不用像macro手动一个一个摆,工具就可以帮我们完成大部分工作。虽然这一步的工作只有一个,但也不是只要Place完就能进行下一步的,衡量Place质量是否满足标准会通过以下几点判断。 阅读详情

[TOC]
原文翻译自github的Basic writing and formatting syntax和Working with advanced formatting.

why using markdown?(为什么使用Markdown)

Markdown是一种易于读写的文本标记。
可以方便你做好学习笔记等工作,比简单的记事本码字来说相对的对于格式比较容易控制。
可以很容易的写出格式整齐美观,易于阅读的笔记,而且可以通过Markdown Preview生成网页排版的笔记标注等。
易于学习,即使一段时间不用,也只要几分钟回顾之前的书写文本学习,一次学会终生受益。
这里使用了Sublime Text作为编辑器,请自行寻找如何在Sublime上安装Markdown扩展。


基本书写格式规范

Headings(标题)

要创建一个Heading,只要在文字前加入1~6个#符号,来决定标题的大小。即HTML中的H1~H6。

# the largest heading
## the second largest heading
###### the smallest heading

效果如下:

the largest heading

the second largest heading

the smallest heading



Styling text(文本样式)

可以使用如下表几个标记来表示文本段的格式,如加重,斜体,划线等

样式语法例子输出
加重(bold)** **or__ __**this is bold text**this is bold text
斜体(italic)* *or_ _*this text is italicized*this text is italicized
划线(strikethrough)~~ ~~this text was mistakenthis text was mistaken
加重斜体混合使用** **and_ _**This text is _extreamely_ important**This text is extreamely important




Quoting text(引用)

使用>符号来说明该段文本为引用

鲁迅曾经说过:
> 苟利国家生死以,????

效果如下:
鲁迅曾经说过:

苟利国家生死以,????



Quoting code(代码引用)

代码引用有两种方式以` `和“` “`

使用`git status`来列出所有新修改未提交的文件。

效果如下:
使用git status来列出所有新修改未提交的文件。



Links(链接)

使用[ ]来创建一个内联链接,然后将链接的URL写进( )。

[百度首页](https://www.baidu.com/)

效果如下:
百度首页

相对链接

上个例子使用了绝对链接,当然也可以直接使用相对链接

[xxxxx](docs/xxxxx.md)

效果如下:
xxxxx



Lists(列表)

在一行或者多行前加上-或者*,效果类似于HTML中的ul无序列表

- George Washington
- John Adams
- Thomas Jefferson

效果如下:

  • George Washington
  • John Adams
  • Thomas Jefferson

还可以插入有序列表ol,语法是使用数字标记每行之前

1. James Madison
2. James Monroe
3. John Quincy Adams

效果如下:
1. James Madison
2. James Monroe
3. John Quincy Adams

列表内也可以嵌套列表比如:

8. Make my changes
    1. Fix bug
    2. Improve formatting
        * Make the headings bigger
2. Push my commits to GitHub
3. Open a pull request
    * Describe my changes
    * Mention all the members of my team
        * Ask for feedback

效果如下:

  1. Make my changes
    1. Fix bug
    2. Improve formatting
      • Make the headings bigger
  2. Push my commits to GitHub
  3. Open a pull request
    • Describe my changes
    • Mention all the members of my team
      • Ask for feedback

注意到上面第一点虽然写的是8但是在实际效果中仍然正确显示1.这是正常的。



Task lists(任务列表)

在列表条目前使用[ ]来标记,如果该条目完成则使用[x]标记。

- [x] Finish my changes
- [ ] Push my commits to GitHub
- [ ] Open a pull request

效果如下:

  • [x] Finish my changes
  • [ ] Push my commits to GitHub
  • [ ] Open a pull request
    这里需要注意的事,若是写成了链接的形式,则需要对歧义部分的歧义字符进行转义。
    如
- [ ] \(Optional) Open a followup issue

效果如下:

  • [ ] (Optional) Open a followup issue



Using emoji(使用emoji表情)

只要将emoji编码写入:EMOJICODE:中即可

@octocat :+1: This PR looks great - it's ready to merge! :shipit:

效果如下:
@octocat :+1: This PR looks great - it’s ready to merge! :shipit:




Ignoring Markdown formatting(转义字符)

若是文本中出现了可能会带来Markdown解析器解析歧义的字符,可以使用转义符转义字符

Let's rename \*our-new-project\* to \*our-old-project\*.

效果如下:
Let’s rename *our-new-project* to *our-old-project*.



Markdown语法进阶

创建表格

创建表格需要用到|和-。-来表示表头,而|则是用来分隔表中行中的条目。

| First Header  | Second Header |
| ------------- | ------------- |
| Content Cell  | Content Cell  |
| Content Cell  | Content Cell  |

效果如下:

First HeaderSecond Header
Content CellContent Cell
Content CellContent Cell

表格单元随着条目长度自动调整,无需特别在意。至少需要使用3个-来表示表头。

| Command | Description |
| --- | --- |
| git status | List all new or modified files |
| git diff | Show file differences that haven't been staged |

效果如下:

CommandDescription
git statusList all new or modified files
git diffShow file differences that haven’t been staged



Formatting content with your table(格式表格内内容排版)

表格内容可以居左,居中,居右布局,只需要使用:来表示布局的方式

| Left-aligned | Center-aligned | Right-aligned |
| :---         |     :---:      |          ---: |
| git status   | git status     | git status    |
| git diff     | git diff       | git diff      |

效果如下:

Left-alignedCenter-alignedRight-aligned
git statusgit statusgit status
git diffgit diffgit diff



总结

最后的最后,如果你的某些格式不能起作用,请在md语法前换行,或者是语法后空格。
如果在优快云中,自动生成目录则是使用[TOC]来自动根据h1~h6标签生成的。
github的Markdown语法同时也推荐了Daring Fireball的Markdown Syntax
本文也是使用了Markdown所写,部分专门对于github才有效的语法并未写入。

Copilot在游戏开发中的应用:Unity脚本自动生成实践 2021年GitHub Copilot的发布,为代码自动生成带来了革命性突破。作为基于GPT模型训练的AI辅助编程工具,Copilot能根据注释、函数名、代码上下文,实时生成符合语法和逻辑的代码片段,甚至完整脚本。减少重复劳动:自动生成模板代码(如生命周期、结构),让你专注核心逻辑;降低API学习成本:对Unity特有的组件(RigidbodyAnimator)、类(),Copilot能生成符合最佳实践的调用代码;统一代码风格:通过团队共享提示词模板,让生成的代码符合项目规范;快速原型迭代。 阅读详情

相关推荐

从‘数字分身’到‘数字员工’:华为云MetaStudio如何重塑企业生产力?

本文探讨了华为云MetaStudio如何通过数字人技术重塑企业生产力,从数字分身到数字员工的转变。通过多模态AIGC技术,MetaStudio在金融、零售和制造业等多个行业实现高效应用,显著提升服务质量和运营效率。数字员工不仅降低成本,更成为企业增长的新引擎。

weixin_29083475的博客 450

Github上的Markdown语法详解

今天在看的说明时,看到里面提及刚好,今天就来做个全面的总结 ,以后在github上写说明的时候,就更方便了。标题输入# 一级标题。

【微软MVP】zhaotianff的专栏 1820

星网锐捷语音网关密码重置全攻略:两种高效恢复出厂设置方法详解

本文详细解析了星网锐捷语音网关密码重置的两种高效方法,包括通过eth1通用口和eth0管理口的操作步骤。针对不同型号设备,提供硬件连接、Web控制台登录及CRT工具使用的具体指南,帮助用户快速恢复出厂设置并重建语音环境配置。

weixin_28698059的博客 527

学习 GitHub 风格的 Markdown 语法和格式化 - 带有示例

Markdown 是一种轻量级、开源、易读易写的文本格式化方法,你可以在任何 IDE 或编辑器中将其作为纯文本使用。在 GitHub 上写作时,你可以使用 Markdown 语法和 HTML 元素来扩展 Markdown 的功能。你可以在 GitHub 的各个地方使用 Markdown 语法,比如 README 文件、wiki、评论、拉取请求以及创建问题时。对于每个软件开发者来说,学习 Markdown 是你职业生涯道路上的一个关键步骤。

晓风晓浪 3415

Clang Static Analyzer 使用教程:本地 + CMake + GitHub Actions 自动静态分析实战

本文介绍了ClangStaticAnalyzer静态代码分析工具的使用方法。该工具基于Clang/LLVM,可检测C/C++代码中的内存泄漏、空指针等常见错误。主要内容包括:安装指南(Ubuntu/macOS/Windows)、命令行使用方法、CMake项目集成方案、GitHub Actions自动化分析配置,以及HTML报告生成与查看。文章还提供了官方资源链接,帮助开发者系统掌握从本地调试到持续集成的完整静态分析工作流,提升代码质量保障能力。适用于需要在开发过程中实施静态分析的C/C++项目。

u014358031的博客 2156

避坑指南:Abaqus网格划分中90%用户会遇到的5个质量陷阱(附解决方案)

本文深入剖析Abaqus网格划分中90%用户会遇到的5个典型质量陷阱,包括单元扭曲、扫掠网格失败、尺寸梯度控制等,并提供工程级解决方案。通过Python脚本和虚拟拓扑等技巧,帮助用户提升网格质量,确保有限元分析结果的可靠性,适用于CAE工程师和仿真分析师。

weixin_29243279的博客 98

Github上Markdown基本语法

基础写作和语法格式 本篇文章的内容来源于Github的基础写作帮助.如果在观看时有什么问题,可以直接查阅源文件。另外需要说明的是Git对Markdown的支持增加了一些扩展功能,因此在Git上可以渲染的Markdown语法并不一定在仅支持标准Markdown语法的平台上运行。 本文后续还有对GitHub上Markdown语法的高级应用的介绍。 标题 Markdown中标题如果想定义一个标题,可以在...

weixin_34110749的博客 426

鸿蒙之HML语法参考

HML(HarmonyOS Markup Language)是一套类HTML的标记语言,通过组件,事件构建出页面的内容。页面具备数据绑定、事件绑定、条件渲染和逻辑控制等高级能力。

2401_82772199的博客 1648

github中(.md)文件markdown基本语法

文章目录: 一:段落格式 1.换行 2.标题 3.字体 3.1 斜体 3.2 粗体 3.3 粗斜体 4.分割线 5. 删除线 二:贴gif图片 三:图片 四:链接 五:代码 六:列表 七:区块 一:段落格式 1.换行 在行尾敲两个以上空格 2.标题 # 一级标题 ## 二级标题 ### 三级标题 #### 四级标题 ##### 五级标题 ###### 六级标题 3.字体 3.1 斜体 *斜体文本* 3.2 粗体 ...

刘鑫磊 2958

PLC集群管理:C#上位机实现10台以上分布式PLC的集中监控与指令下发

本文介绍了一套基于C# WPF开发的PLC集群管理系统,用于解决现代工业自动化产线中分布式PLC监控难题。系统采用三层解耦架构,支持100台以内不同品牌PLC的集中管理,具备批量数据采集、指令下发、实时报警等功能。核心创新点包括:1)基于异步IO的连接池管理;2)统一通信接口设计;3)寄存器合并优化算法;4)三级优先级指令队列。实际应用表明,系统数据采集延迟低于100ms,指令下发成功率99.9%,有效解决了传统单PLC监控模式存在的效率低下问题。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 507

分享一个我自用的 Python 消息发送模块,支持邮件、钉钉、企业微信

🔥 分享一个我自用的 Python 消息发送模块,支持邮件、钉钉、企业微信

XiaoqiangClub的博客 477

Markdown——入门指南

文/Te_Lee(简书作者) 原文链接:http://www.jianshu.com/p/1e402922ee32/ 著作权归作者所有,转载请联系作者获得授权,并标注“简书作者”。 Markdown 是一种轻量级的「标记语言」,它的优点很多,目前也被越来越多的写作爱好者,撰稿者广泛使用。看到这里请不要被「标记」、「语言」所迷惑,Markdown 的语法十分简单。常用的标记符号也不超过十个

要么庸俗,要么孤独 740

交换机四种光互联技术:OIO、OBO、NPO与CPO

在过去几十年里,数据中心交换机主要依赖电信号通过铜线进行数据传输。然而,随着数据传输速率从100Gbps向400Gbps、800Gbps甚至1.6Tbps迈进,传统电互联(Electrical Input & Output, EIO)面临三大瓶颈:信号衰减、功耗激增和空间限制。例如,高速信号在长距离铜线传输中会产生严重的信号失真,迫使设计者加入数字信号处理器(DSP)来补偿信号衰减,这进一步推高了功耗和成本。此外,传统可插拔光模块的体积较大,限制了端口密度,难以满足现代数据中心对高带宽密度的需求。

网络技术联盟站 3127

Astro 内容写作实战:以 Markdown Style Guide 为范本掌握 Markdown 语法与内容集合渲染

本篇技术指南以本仓库 `examples/blog`(Astro Starter Kit: Blog)示例站点中自带的一篇内容文档 [markdown-style-guide.md](https://link.gitcode.com/i/3ee70a8cc00400058cd8acc6a2292612) 为范本,系统讲解在 Astro 项目中编写 Markdown 内容时的全套语法要点,并结合仓库

gitblog_00514的博客 363

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

Markdown使用方法

Markdown是一种轻量级标记语言,排版语法简洁,让人们更多地关注内容本身而非排版。它使用易读易写的纯文本格式编写文档,可与HTML混编,可导出 HTML、PDF 以及本身的 .md 格式的文件。因简洁、高效、易读、易写,Markdown被大量使用,如Github、Wikipedia、简书等。

辞.九门回忆 646

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

深入 MUI 文档站 Markdown 渲染实验页:从行内代码到长目录换行的排版细节

`docs/pages/experiments/docs/markdown.md` 是 Material UI(MUI)开源仓库文档站中一块特殊的“实验田”:它把文档排版引擎需要支持的各种 Markdown 语法与内嵌 HTML 结构集中在一个页面里,逐项验证渲染正确性,作为 QA 基线页面使用。本文以该文件为核心,逐一拆解其中每一个测试项(行内代码、嵌套/紧凑/宽松列表、带标题链接、`<deta

gitblog_00516的博客 678

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Slidev 开发者演示文稿速查与实践指南:基于 Markdown、Vue 与代码演示的 Web Slides 完整能力手册

Slidev(Presentation Slides for Developers)是构建在 Vite、Vue 与 Markdown 之上的 Web 演示文稿框架。本文以仓库中的 AI 技能文档 [skills/slidev/SKILL.md](https://link.gitcode.com/i/b86cd2b2f2e55b5ce6aed4bd7500a6b6) 为核心骨架,系统整理从工程创建、

gitblog_00179的博客 937

Apache Doris 社区贡献指南:从 Issue 提报到代码提交的全流程实践

Apache Doris(下文简称 Doris)是一个易用、高性能的统一分析型数据库,代码库横跨 Java 的查询前端(FE)、C++ 的存储后端(BE)以及对接外部存储的 Broker 等组件。无论你是初次接触社区的新人,还是希望深入源码修复 Bug、实现 Feature 的开发者,本指南都将围绕仓库根目录下的 [CONTRIBUTING.md](https://link.gitcode.com

gitblog_00837的博客 1074

Docling 演示文稿(ODP)转 Markdown:odf_presentation_02.odp groundtruth 全解构与源码印证

> 这是一篇面向 Docling 使用者的技术指南。它以仓库内一份真实的地面真值(groundtruth)文件 —— `odf_presentation_02.odp.md` —— 为对象,讲解 Docling 如何把 OpenDocument 演示文稿(`.odp`)逐页转换为结构化的 Markdown,包括文本、嵌入图表、合并单元格表格、照片、复杂嵌套列表与“含图片的表格”等要素各自对应的输出

gitblog_00027的博客 457

NNI 贡献指南:从提交 Issue 到合并 Pull Request 的完整开发工作流

本文是 Microsoft NNI(Neural Network Intelligence,开源 AutoML 工具包)官方贡献指南的完整解读与源码级扩展,覆盖"反馈问题 → 搭建开发环境 → 编码与热重载 → 测试 → 文档与翻译 → 提交 PR"的端到端协作流程。读完本文,你将掌握 NNI 仓库的代码结构、源码安装方式、Python/TypeScript 双端开发调试技巧、UT/IT 测试体系

gitblog_00310的博客 299

CANN/.gitcode CI Actions

本目录收录 CANN 项目在 GitCode CI 流水线中复用的一组 GitHub Actions(`using: node16`)。每个 Action 通过 `dist/main.js` 入口读取 `action.yml` 中声明的输入参数,并透传给同目录下的 Shell / Python 脚本完成具体检查任务。 ## Action 列表 | Action | 说明 | | --- | -

gitblog_00458的博客 398

rembg 背景去除实战:从一条命令到 tkinter 桌面工具的完整路径

如果你手上有一叠照片需要批量去除背景——商品图要上电商详情页、证件照要换底色、素材图要叠到海报上——手动抠图的成本会迅速失控。rembg 是一个基于深度学习的背景去除工具:输入原图,输出带透明通道的 PNG,全程无需手动圈选。它同时提供 rembg 命令行工具和 Python 库两种用法,下文按"安装 → 命令行 → 模型选型 → 库集成 → 桌面工具 → 排错"的顺序展开。 ## 环境确认与安

gitblog_00666的博客 670

freeCodeCamp 课程设计详解:用 CSS font-size 属性设置段落文字大小(Set the font-size of Paragraph Text)

本文基于 freeCodeCamp 课程库中 Applied Visual Design(应用视觉设计)模块的一道实战挑战展开,讲解 CSS `font-size` 属性如何从标题元素扩展到任意包含文本的元素(以段落 `<p>` 为例)、该挑战在课程编排中的位置,以及 freeCodeCamp 如何用 `getComputedStyle` 断言在浏览器中自动验证学员答案。读完后你将掌握段落字号的设

gitblog_00713的博客 259

[RAG在LangChain中的实现-02]根据数据格式选择文档加载器和文本分割器

在RAG(检索增强生成)系统中,文档加载器和文本分割器是数据预处理阶段的两个核心组件,决定了系统最终能检索到什么质量的内容。文档加载器的主要任务是“数据摄取”,将各种格式的外部非结构化数据导入RAG管道,并转换为统一的文档格式。由于大语言模型有上下文窗口限制,且过长的文本会降低检索精度,分割器负责将加载好的长文档“切片”成更小的块。

JaydenAI的博客 637

Wand-Enhancer 免费解锁教程:3 步本地补丁,不花一分钱用满专业版

Wand-Enhancer 是一款面向 Wand(原 WeMod)客户端的开源本地补丁工具,作用是把广告位、每日修改次数上限和 AI 建议、手机远程面板的付费门槛从本地配置里去掉。整个过程不联网,备份、应用补丁、重启客户端一共 3 步、约 3 分钟;改动只落在客户端自己的资源文件上,随时可用工具一键还原。 ## 它动了什么,又没动什么 先回答信任问题:补丁只改写 `resources/app.

gitblog_00395的博客 386

CANN GitCode Issue流程

创建 GitCode Issue 的标准步骤,供其他需要创建 Issue 的工作流/skill 引用。 --- ## 流程总览 ``` 1. 获取信息 → 目标仓库、问题数据 2. 获取模板 → 从目标仓库查询 Issue 模板 3. 选择模板 → (业务层)问题类型→模板映射 4. 填充内容 → (业务层)根据问题内容生成 Issue body 5. 用户确认 → 展示

gitblog_00715的博客 969
上一篇: [unix]用cmake写hello world
HeapStackk
博客等级 码龄12年 11粉丝 58原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值