一年暴增1600万程序员!GitHub 2021年度报告发布:中国755万开发者排全球第二

SAP 系统和银行系统通过 SM2 加密算法进行集成 SM2 是基于椭圆曲线离散对数问题(ECDLP)的一种公钥密码算法。椭圆曲线加密的核心原理,是利用了一个数学难题:在椭圆曲线群上,已知曲线上两点的运算结果,逆向推导出这两个点的具体信息是非常困难的。这样的复杂度使得基于椭圆曲线的密码体制比传统的 RSA 更加难以破解。在 SM2 加密中,公钥和私钥的生成与传统的椭圆曲线加密类似。选择一个椭圆曲线和一个基点 P。使用私钥 d,计算公钥 P’ = d * P。私钥 d 保密,而公钥 P’ 可公开分发,用于加密数据。 阅读详情

点击上方“Github爱好者社区”,选择星标

回复“资料”,获取小编整理的一份资料

1bd3dbc283495a34666f6646c5cc7bb4.png

 编辑:LRS,转载自:新智元

GitHub年度报告显示,去年全球新增1600万程序员,共计7300万程序员一起内卷!几乎近60%来自北美之外的地区。其中,中国有755万,位居全球第二。

岁末年初,又是各大网站自我总结的时候了,有一个网站的总结尤其牵动着广大程序员的心,那就是GitHub。

54c89f18f6d41201d005ea7474892c93.png

GitHub在去年11月就早早公布了他们的Octoverse 2021年度报告,但迈入2022后,一起来回顾一下7300万开发者在2021年搞了哪些「开源事」吧!

全球7300万开发者,中国第二

2021年的GitHub报告比往年的数据量更大,包括400万的代码仓库和1.2万受访开发者。

aa9d4fddefae6395ba476ff58abe7c4d.png

报告显示,GitHub的开发者数量目前已经飙升到了7300万,而在2020年的9月,这个数字还只有5600万,2019年为4000万。并且世界财富 100 强企业中的 84% 都在使用 GitHub。

b2546b84facef6c6759584080d47bdf5.png

GitHub曾预计2025年用户数量将会达到1亿,现在看起来,1亿程序员内卷时代要更早到来了。

d1b5bfc311ceab2df34fb25adbce1aae.png

对活跃用户所在地进行统计可以发现,在全球总开发者中,来自北美洲的最多,占比达到31.5%,其次是亚洲31.2%,之后是欧洲27.3%.

02230a5bd8c392eb01854f703337b422.png

换句话说,代码仓库中近 70% 的活跃用户来自北美以外。美国以外用户数量增长最快的国家和地区包括印度尼西亚、巴西、印度、俄罗斯、日本、德国、加拿大、英国和中国。 

过去一年里,从开发者分布来看,43.2% 的 GitHub开发者来自北美,其次是欧洲(33.5%)和亚洲(15.7%)。

466bc34973d08be0571485c24c9992a7.png

其中美国开发者最多,共有1355万,中国次之,共有755万GitHub开发者。而 2020 年,来自中国的开发者还只有 652万,其中来自印度的 GitHub 用户总数比去年同期增长了 38.9%.。

c906e7942036ae0d799b25dbc35cbd68.png

开源项目的首次贡献者数量也是在逐年增长,相较于2020年,2021年增加了21.3万名首次开源项目贡献者。

a37701937954ddc16e6a49006a5fb7c7.png

PHP不是最好的语言?

从编程语言的使用来看,Javascript从2014年以来一直稳坐头一把交椅,而Python也是万年老二,Java依然排第三位。

在微软的维护下,新兴编程语言TypeScript 已经从2018年和2019年的第七位攀升到今年的第四位,未来可期!而PHP 和 Ruby 这两种五年前最受欢迎的语言的受欢迎程度继续下降。

497fc544922581497ac3074c80383c7f.png

可以看到,从 2017 年开始, C#、PHP、C++这些开发者以往使用更多的编程语言逐渐被 TypeScript 赶超,与 C/C++, Java 等静态类型语言不同的是,TypeScript 既具有 IDE 全方位的开发辅助和严格的代码检查的静态优势,又能让代码像 JavaScript 一样简洁和灵活,这也是开发者越来越倾向于使用 TypeScript 的原因之一。

排名前十的编程语言中,只有 Shell 和 C 的位置与去年相比发生了变化:Shell 取代了 C 语言上升至第 8 位。

远程工作真的香

除了对编程语言和开发者的调查外,Github 还对比了疫情前后工作场地的变化。

调查结果显示,2021 年生产力开始恢复到疫情之前的水平,而工作场所正在发生变化。当受访者被问及他们在疫情之前是如何工作的,以及在疫情之后他们希望如何与他人协作时,只有大约 11%的受访者希望回到办公室工作,比之前的 41%减少了 30%。

fd9d8d24814c533d75a2c38ce3cdf6aa.png

在新冠疫情仍然严峻的情况下,更多开发者选择了利用Github远程工作。调查结果显示,过去一年里,有20%的Github开发者选择了完全远程开发,26%的开发者选择现场与远程开发结合的方式。

3cd609f6353b4a4528d2830d5508ff05.png

2021年GitHub根据调查数据创建了预测模型,以便于帮助理解团队在软件开发和交付中使用不同实践的影响,分别是:更快速编写和发送代码、创建文档,以及支持可持续社区。

调查结果显示,Github上代码编写和生成的自动化程度显著提高,这使得不同团队之间的协作更方便,开发者的工作价值更易实现。并且实践自动化也消除了大量的分歧和重复性任务,使得团队在开源方面的表现提高了 27%,在工作项目完成度上提高了 43%,无缝代码重用让开发者的效率提升了87%。

15be00da98c469cb4472dc6f738b8471.png

GitHub 上的开发者模式反映了自动化软件交付是开源的关键推动因素,能帮助团队在规模上更快地发展。可以看到,大型存储库使用 Actions 的比例高于中小型库。

1b8f85e12c5a75e99fea0a1d6d95d6df.png

数据显示,一旦大型存储库开始使用 Actions,团队每天合并的拉取请求比以前增加了近 2 倍(增加了 61%),合并速度提高了 31%。在所有开源存储库中,使用 Actions 将合并拉取请求的数量增加了 36%,并将合并时间缩短了 33%。

贡献好代码!

在过去的一年里,GitHub总共merge了1亿7000万个pull request,创建了6100万个新仓库,可以看出开发者代码的上传速度大幅提升。

开发团队每日合并的拉取请求数量提高了61%。开发者更少的项目,合并速度更快,一般不到1天即完成合并。

cc17fad6fa7bb0ae06e5897f0ebcebbc.png

无论是对公司项目,还是开源项目,友好的评论和及时的指导都是极其重要的。对于大型代码存储库,使用Good First Issue 标签可以吸引更多贡献者。

调查结果显示,当21%-30%的问题被标记为 Good First Issues 的存储库时,就会有大约 13% 的新贡献者加入到代码开发;有超过 40% 的 Good First Issues 标注就可以帮助项目吸引 21% 以上的新贡献者。

01e15c7facee77b8cb242801cf033a37.png

工具与说明文档在提升开发者生产力上也功不可没。报告显示,受益于这类工具和文档,开源库和企业项目开发者的平均产出提升了50%。

在过去相当长的一段时间里,说明文档、Readme等辅助技术资料的意义一直被低估了。

报告显示,2021年,这类辅助说明文档让Github开发者的产出大幅跃升了55%,为了提升效率,企业也应该在项目开发中多增设这类文档。

f32e7d79466180deecb2636c20524252.png

还有一点容易被忽略:高效的搜索算法固然很好,但可搜索性也是一致的代码标准和命名约定的产物。

数据显示,当开发人员可以轻松找到他们需要的东西时,他们感到有能力完成工作的可能性要高出近 60%。此外,只需拥有一个易于搜索的团队存储库,他们就可以将生产力提高 11%.。

4c50d00ab92f8b9e5dcb149190f55227.png

参考资料:

https://octoverse.github.com/

好啦,今天的分享就到这儿啦,我们下次见啦~



GitHub原创推荐•  尼玛,Github上最邪恶的开源项目了!未满18或者女孩子勿进哦~•  GitHub标星4K+,前字节跳动工程师开源的刷题笔记...•  GitHub上这个仿京东电商项目强势开源,前端,后台,数据库等统统都有!•  GitHub 开发者自制火星车,教程全面开源!网友:这才是大佬!关注「Github爱好者社区」加星标,每天带你逛Github好玩的项目
统信UOS丨开机无法进入系统 无法打开控制台访问权限,root账号被锁定(cannot open access to console, the root account is locked) 步骤四:分别打开文件发现Roota下的fstab就是我们要找的文件,打开查看Roota的属性发现其为挂载的磁盘nvme0n1p3。步骤三:按Win+E打开文件管理器在分区中查找/etc/fstab文件,发现Roota和Rootb下都有该文件。步骤二:按键盘Ctrl+Alt+F4,进入终端控制台,如下图所示输入startx回车,进入桌面。步骤一:找到UOS系统安装的U盘,选择U盘启动进入安装界面,如下图所示。步骤七:关机,拔出U盘,启动电脑,OK,问题解决。 阅读详情

相关推荐

从FreeCAD到BIMBase:PlaneGCS约束求解器的移植使用指南

本文为BIMBase平台的开发者提供了一份详细的PlaneGCS几何约束求解器移植与集成指南。文章深入探讨了如何从FreeCAD中提取PlaneGCS核心代码,并将其适配到BIMBase的C++二次开发环境中,重点解决了内存管理、数据模型桥接、约束抽象以及性能调优等关键问题,旨在帮助开发者构建稳定高效的参数化设计模块。

weixin_29213525的博客 321

20位活跃在Github上的国内技术大牛

本文列举了20位在Github上非常活跃的国内大牛,看看其中是不是很多熟悉的面孔? 1. lifesinger(玉伯) Github主页:        https://github.com/lifesinger微博:@        玉伯也叫射雕 玉伯(王保平),淘宝前端类库 KISSY、前端模块化开发框架SeaJS、前端基础类库Arale的创始人。2003-2006

YaoXTao的专栏 20万+

Keil5保姆级安装指南:从破解到STM32开发环境配置(附常见错误解决方案)

本文提供Keil5从安装到STM32开发环境配置的完整指南,包含破解步骤、常见错误解决方案及多芯片支持配置。详细讲解环境预检、核心安装、许可证管理及高效开发环境设置,帮助开发者快速搭建嵌入式开发平台。特别针对安装和卸载过程中的关键问题提供专业解决方案。

weixin_30369041的博客 126

china-ranking:中国区 GitHub 开发者排行榜

china-ranking:中国区 GitHub 开发者排行榜 项目介绍 在现代软件开发领域,GitHub 作为全球最大的开源代码托管平台,汇聚了无数开发者的智慧与努力。为了展示中国区开发者在 GitHub 上的活跃程度和影响力,诞生了这样一个名为 china-ranking 的开源项目。该项目通过收集和分析 GitHub 上中国开发者的关注者数据,提供一个实时的排行榜,旨在鼓励开发者之间的交流与...

gitblog_00716的博客 1303

wsl + vscode 离线配置 ERROR: Faild to download https://update.code.visualstudio.com

很多情况下是没有现成的VS Code Server程序的,需要手动下载。记住上面的Commit ID,可以通过下面的链接下载 vscode-server-linux-x64.tar.gz。然后将vscode-server-linux-x64.tar.gz上传在服务器上的$HOME/.vscode-server/bin文件夹中,解压。在wsl中下载不了 vscode 的核心。运行下面两行命令,建立空的$HOME/.vscode-server/bin文件夹。重新运行 wsl与vs的链接即可。

点云算法工程师 3793

Polyworks脚本开发实战指南:高效生成数据彩图与报告的关键指令解析

本文深入解析了Polyworks脚本开发中生成数据彩图与自动化报告的核心指令。通过实战案例,详细介绍了REFERENCE_SURFACE、THICKNESS和CLEARANCE等关键彩图生成指令的正确用法与常见避坑点,并阐述了如何利用REPORT_ITEM命令实现从截图、表格生成到智能排版的全流程自动化,旨在帮助三维检测与质量控制工程师大幅提升工作效率与报告标准化水平。

weixin_29209825的博客 557

GitHub 中国区前100名,哪些是真开发者?哪些是Markdown工程师?

本文分析了GitHub中国区前100名用户中的典型开发者与Markdown工程师代表。开发者代表包括稚晖君(硬件/系统开发)、廖雪峰(教学型开发者)和代码家(前Android开发者),他们的共同特点是高质量项目输出和技术深度。Markdown工程师代表如阮一峰则以技术博客和文档为主。分析显示,真正活跃的开发者往往项目数量不多但质量高,而文档型用户则依赖持续的内容输出。随着技术变迁,部分开发者的活跃度会随技术周期波动。

我的是pachong7,感恩遇见! 491

YOLOv11改进策略【Neck】| PRCV 2023,SBA(Selective Boundary Aggregation):特征融合模块,描绘物体轮廓重新校准物体位置,解决边界模糊问题

SBA 模块在医疗图像分割中具有重要作用,其设计出发点是解决图像中物体边界模糊以及融合特征时的冗余和不一致问题。

Limiiiing的博客 1944

一年暴增1600万程序员,GitHub 2021年度报告发布:中国755万开发者排全球第二_近十年我国程序员人数增长

外链图片转存中…(img-IE6rtUcJ-1712873828385)]

2301_79099434的博客 2060

10、贝叶斯曲线拟合与预测分布详解

本文详细介绍了贝叶斯曲线拟合与预测分布的核心概念与计算方法。从最大似然估计出发,引入参数的先验分布,推导出后验分布与最大后验估计,并进一步展示如何通过积分获得完整的预测分布。文章解析了预测分布中均值与方差的构成,强调贝叶斯方法在量化不确定性方面的优势,涵盖金融、医疗、气象等实际应用场景。最后总结了操作步骤与未来研究方向,帮助读者系统掌握贝叶斯方法在回归问题中的应用。

android的专栏 106

XCP实战系列介绍01-测量与标定底层逻辑介绍

XCP-测量与标定底层代码实现介绍,通过对相关API调用关系介绍加深开发人员对其功能的了解。

initiallizer的博客 1万+

一年暴增1600万程序员,GitHub 2021年度报告发布:中国755万开发者排全球第二

【导读】GitHub年度报告显示,去年全球新增1600万程序员,共计7300万程序员一起内卷!几乎近60%来自北美之外的地区。其中,中国有755万,位居全球第二。 岁末年初,又是各大网站自我总结的时候了,有一个网站的总结尤其牵动着广大程序员的心,那就是GitHub。 全球7300万开发者,中国第二 2021年的GitHub报告比往年的数据量更大,包括400万的代码仓库和1.2万受访开发者。 报告显示,GitHub的开发者数量目前已经飙升到了7300万,而在2020年的9月,这个数字还只有5600万,201

大模型训练 6339

【ArcGIS微课1000例】0068:ArcGIS加载world imagery高清卫星影像教程

本文介绍了如何在ArcGIS中加载World Imagery高清卫星影像作为谷歌影像的替代方案。通过添加ArcGIS Server并输入在线图集URL(https://services.arcgisonline.com/ArcGIS/rest/services/World_Imagery/MapServer),即可连接并预览包含中国影像、青海湖、东方明珠等全球高清卫星图。该教程提供了详细的操作步骤图示,帮助用户快速获取优质底图数据,适用于地理信息分析和可视化应用。

智慧空间实验室 5425

github上成员贡献量_如何在GitHub上做一个优秀的贡献者?

关于如何做一个优秀的贡献者,GitHub 官方之前写过一篇指南《How to Contribute to Open Source》,里面给出了非常清晰的回答。下面我就文章给出的内容索引及参考,简单回答下这个问题。为什么要参与开源?1)优化技能通过贡献代码或参与开源活动,在解决问题的同时让自己的专业技能得到提升。2)帮助你遇见志同道合的人开源意味着自由与开放,所有人都可以参与到一个开源项目的建设,在...

weixin_39722025的博客 288

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")

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

GitHub 迎史上最大改变?先看看 2018 年度统计报告再说吧!

【回复“1024”,送你一个特别推送】作为 GitHub 的忠实使用者,一直都在密切关注者 GitHub 的一举一动,尤其是被微软收购以后,GitHub 变得貌似更加频繁...

非著名程序员 877

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

GitHub发布2024年度报告:中国开发者数量全球第2 ,最受欢迎的语言是

比如行为准则、贡献、优秀项目以及在讨论中对语言的尊重等,这些都表明社区是安全、受欢迎和受信任的。根据报告显示,192830 人创建议题,16102 人发起PR等待别人合入自己的代码, 24404 将自己代码推到原作者的仓,60854 人就议题做出回应 …本次报告中,仅有约 11% 的受访者表示希望回到同位办公的状态,比之前希望在办公室工作的用户数(41%) 下降了 30%。(img-Jzn2JrNU-1711739421805)]因而具有这些信号的社区,也会吸引更多的贡献者,创造更强的归属感和成就感。

2401_84006828的博客 1973

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

印度开发者增速超中国,GitHub 年度报告发布

作者 | 何苗出品 | 优快云(ID:优快云news)又进入了一年的11月,全球知名代码托管平台 GitHub 每年都会在此时发布一份重磅年度报告,没错,2022 年度 Octoverse 报告来了。报告开头引用了梅赛德斯 - 奔驰技术创新的 FOSS 大使 Wolfgang Gehring 的一句话,“如今,如果不进行开源,你将无法再开发软件。

优快云资讯 1万+

中国程序员超800万?互联网领域是否饱和?

了解程序员的数量,github绝对是最好的选择。按照22年github公布的数据来看,全球程序员数量已经超过7300万,中国程序员已经超过800万,数量排名世界第二。2020年中国共有程序员652万,2021年就增长到755万,增长了超过100万人。到如今,恐怕数量早已突破800万大关。

m0_56144365的博客 7218

中国程序员数量达755万,全球排名第二。

需要指出的是,中国人口可是美国的近4倍,程序员数量却只有美国的近一半。不过,中国程序员增长很快,2020年中国共有程序员652万,2021年就增长到755万,增长了超过100万人。在全球总开发者中,来自北美洲的最多,占比达到31.5%,其次是亚洲31.2%,之后是欧洲27.3%。依据GitHub的调研数据,在疫情之前,有超过40%的程序员倾向于在办公室集中办公,疫情之后,这一比例掉到了10.7%。此外, 依据GitHub的数据,发现一个有意思的现象,那就是新冠疫情之后,程序员越来越喜欢远程办公了。

JEECG官方博客 1965

2024年 中国软件开发人员有多少

75%开发者集中在长三角(上海/杭州)、珠三角(深圳/广州)、京津冀(北京/天津),中西部企业招聘成本增加40%。:云原生(K8s/Docker)、大模型微调(Llama3、文心一言API)、全栈开发(React+Go)。:制造业、金融业对云原生、AI集成的需求爆发,如比亚迪、宁德时代等企业自建IT团队规模年增30%+。(BOSS直聘、拉勾):2024年1-6月,软件开发岗位招聘需求同比增加18%,新增岗位约。:2024年政府加大对信创(信息技术应用创新)、工业软件等领域的投入,催生大量开发岗位。

hxsln11的博客 6890

我国程序员数量突破 940 万,开源参与者增速全球最快

大家好,我是苍何。。而且在开源上,我国已经成为全球开源参与者数量第二多的国家,其增长速度更是全球第一。好家伙,940 万什么概念?白俄罗斯一整个国家的人口也才约 915 万。这个数据可谓是相当的庞大,统计口径就得先明确什么是软件开发者?我问了下 AI,他给的解释是:软件开发者(Software Developer)是指那些从事软件开发工作的专业人士。他们的主要职责是编写、测试、维护和更新计算机程序和应用程序。

一个成长中的程序员,期待用技术的眼光生活 2379

牛逼!2020 全球开发者调查报告终于出来了!

公众号关注“GitHubDaily”设为 “星标”,每天带你逛 GitHub!转自机器之心近日,Stack Overflow 发布了 2020 年度全球开发者报告。这是 Stack O...

GitHubDaily 3713

GitHub中国区前100名到底是什么样的人?

本文根据Github公开API,抓取了地址显示China的用户,根据粉丝关注做了一个排名,分析前一百名的用户属性,剖析这些活跃在技术社区的牛人到底是何许人也!后续会根据我的一些经验出品《技术人员如何建立自己的个人品牌》《优雅的程序员列传》欢迎我的简书。 Github中国区前一百名城市分布,令人比较意外的是IT重镇深圳和广州居然和北上杭差距那么大!(其中China表示没有注明具体城市用户) Gith...

明潮的BLOG 1万+

中文repo“霸榜”GitHub Trending,国外开发者不开心了

编译整理 | 一一出品 | AI科技大本营(ID:rgznai100)近日,一位叫Balazs Saros 的国外开发者在Medium上发表了一篇名为"Chinese r...

AI科技大本营 5863

GitHub中文排行榜

https://github.com/kon9chunkit/GitHub-Chinese-Top-Charts ????????GitHub中文排行榜,帮助你发现高分优秀中文项目、更高效地吸收国人的优秀经验成果;榜单每周更新一次,敬请关注! 榜单设立目的 ???????? GitHub中文排行榜,帮助你发现高分优秀中文项目; 各位开发者伙伴可以更高效地吸收国人的优秀经验、成果; 中文项目只能满足阶段性的需求,想要有进一步提升,还请多花时间学习高分神级英文项目;

https://github.com/conanl5566 4825

连登 GitHub TOP 榜,中国开发者在行动!

中国开发者对于疫情的整体关注程度及防护方向。

优快云资讯 1万+
上一篇: 说一下synchronized与Lock的区别与使用
下一篇: 阿里二面:main 方法可以继承吗?
公众号:【GitHub爱好者社区】
博客等级 码龄6年 357粉丝 48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