让你纵横 GitHub 的五大神器

最大同性交友网站Github(一)——介绍与使用 Git:版本控制工具(一个可以安装在自己PC上的软件)。Github:一个面向开源及私有软件项目的托管平台,诞生于2008年,进一步体现了git的开源文化,只支持git作为唯一的版本库格式进行托管。git是一款使用命令行的工具,github使git的使用变得更加简单。不管你开发什么项目,都很有可能在github上找到现成的代码来进行参考。GitHub网站一、登录注册点“Sign up”进行注册,如... 阅读详情

作者:程序员G哥

来源:程序员Github

对于程序员来说,GitHub 再熟悉不过了。实际上,除了程序员之外的很多人也都知道它的名字,有人称 GitHub 是全球最大同性交友网站。作为程序员的交友社区, GitHub 的使用效率和使用体验,非常重要。

今天就来分享几个提高 GitHub 颜值和使用效率的浏览器插件,都是小编亲身体验,非常不错。

1.Octotree

我们平常在 GitHub 上都会有直接浏览代码的需求,如果有的项目层级比较多,浏览代码就很不方便,每次点击一个项目文件后,整个项目列表就会隐藏,想看其他文件只能会退到后再次进入,这就很蛋疼。

Octotree 插件就很好的解决了上面的问题,当你安装好这个插件后,浏览 GitHub 上某个项目的代码时,左侧会有个按钮,如下图:

点击之后会出现一个菜单,展示当前项目的目录结构,你就可以快速浏览整个项目的文件了。

2.Sourcegraph

使用 GitHub 原生页面浏览代码时想看一下某个变量的引用情况或者一些方法的定义很不方便,Sourcegraph 可以解决上面遇到的问题。这个插件安装完成后,随便打开一个 GitHub 项目,会发现多了一个新图标,这样的:

点击这个图标,会跳转到项目的浏览页面:

查看某个文件,点击你了解的某个代码,显示如下:

这个插件可以作为 web IDE 使用,不用将项目的代码 clone 到本地,就可以很方便的浏览代码。

3.Enhanced GitHub

说到下载,github 的下载设定也是很蛋疼,仓库可以打包下载,但是没有提供仓库内单个文件的下载链接,好比如,我需要 GitHub 给我一根雪糕解暑,但是 GitHub 坚持把装有雪糕的冰柜一起送给我,这也太够意思了。

这个问题可以通过 Enhanced GitHub 插件解决。它可以显示仓库大小,每个文件的大小,下载链接和复制文件内容的选项。

安装之后随便打开一个 GitHub 上的项目,效果如下:

4.Widescreen for GitHub

通常,GitHub 上的代码行太长,无法容纳在固定的 920px 宽度内。这个 Widescreen for GitHub 插件将充分利用你的屏幕,并以100%的宽度显示代码!它适用于Github上的所有内容:PR,commit,Gists等。无论何时需要,都可以轻松地打开/关闭宽度-甚至还带有一个不错的过渡。

不使用插件时是这样的:

代码看不到边,很不爽!使用插件之后,效果如下:

5.GitHub Dark Theme

现在苹果手机,微信都支持暗黑模式,小编尝试了一下确实很酷。一个让 Github 也支持夜间模式的浏览器插件横空出世了,如果你喜欢暗色风格的 GitHub ,强烈推荐它,效果如下:

代码的配色样式也很棒:

小编费心整理的这5大神器,相信终有一款适合你,在你经常浏览Github的时候,应该对你有所帮助,都是非常实用的小工具。其实我个人非常喜欢最后一款。

欢迎大家在留言区,吱一声,说说你喜欢哪一款。

---------End---------

关注后回复“w”,加我私人微信


“分享”和“在看”是更好的支持!

Unity编辑器新手入门:五大核心窗口详解与首个交互场景搭建实战 游戏开发引擎是构建交互式应用的核心工具,其原理在于通过集成开发环境(IDE)将代码逻辑、美术资源和物理模拟等模块进行可视化整合与实时预览。这一技术价值在于极大降低了创作门槛,使开发者能聚焦于玩法与体验设计,广泛应用于游戏、虚拟现实、建筑可视化及交互式模拟等场景。Unity作为行业领先的引擎,其编辑器界面是新手入门的首要挑战。掌握场景(Scene)、游戏(Game)、层级(Hierarchy)、项目(Project)和检视(Inspector)这五大核心窗口的协同工作流,是高效利用Unity进行开发的基础。本 阅读详情

相关推荐

GV:GV 个人网站的存储库

gonzalovazquez.ca 的主要存储库作者:Gonzalo Vazquez

【福利】同性交友网站(github)知名项目(持续更新)

前言 没上过Github,都不敢说自己是程序猿。没事逛逛Github还是收获颇丰滴。 在这推荐下自己在网上收集并且觉得质量很不错的Github项目,其中包括文档类和代码类的,排名不分先后。 文档类 1、advanced-java 链接:advanced-java,star 41k,fork 11.3k 互联网 Java 工程师进阶知识完全扫盲:涵盖高并发、分布式、高可用、微服务、海量数据处理等...

张育嘉的博客 27万+

gv-official:动态Gradevitian网站

政府官员 动态Gradevitian网站

最大同性恋交友网站被微软收购,我不服!

「 gayhub 也免不了俗 」北京时间6月4日晚间,微软发布公告称,将以75亿美元的微软股票收购 最大开源网站GitHub 兼 全世界最大同性交友网站 GayHub,微...

前端你别闹 8033

Exchange 2013/2016/2019修改附件大小限制

Exchange 2013/2016/2019邮件大小限制 可以在三个位置上配置Exchange上的默认邮件大小限制: 组织传输设置 发送/接收连接器设置 用户邮箱设置 1.打开Exchange Management Shell 使用命令查看默认限制 get-transportconfig | ft maxsendsize, maxreceivesize get-receiveconnector | ft name, maxmessagesize get-sendconnector | ft

高级基础架构专家-Hunter 6103

小米汽车技术路线

从小米的电子电器架构来看,行业内EEA已经由域集中逐渐过度到域融合+区域控制的架构并向着中央计算+区域控制的方向发展。 而小米汽车智驾算法也从基于高精地图模块化架构,到去高精地图模块化架构,再到端到端架构,这也正是行业对于智驾算法演进的共识。

HITbingdu的博客 3793

idea项目导入myeclipse_GitHub项目:教你如何实现 PDF 转 Word

点击上方“GitHub科技”,选择“置顶公众号”关键时刻,第一时间送达!搜罗最好的GitHub项目分享给大家记得置顶关注就是最大的支持本期为大家继续分享个GitHub上面的大神开源的项目,大家可以认真看看,然后把对自己刚兴趣的收藏下来!公众号不敢保证每次推荐你都喜欢,但是可以保证尽量让大多数关注公众号的读者都可以获取GitHub上一些比较好玩有用的开源项目以及一些科技圈大家都关注的话题 ...

weixin_39677203的博客 354

第4章 Stata参数检验

目录 4.1单一样本T检验 案例延伸 4.2独立样本T检验 案例延伸 1.改变置信水平 2.在异方差假定条件下进行假设检验 4.3配对样本T检验 案例延伸 1.改变置信水平 4.4单一样本方差的假设检验 案例延伸 4.5双样本方差的假设检验 参数检验(Parameter Test)是指对参数的平均值、方差、比率等特征进行的统计检验。参数检验一般假设统计总体的具体分布为已知,但是其中一些参数或者取值范围不确定,分析的主要目的是估计这些未知参数的取值,或者对这些参数进...

qq_45112156的博客 1万+

eclipse导入github项目提示没有发现项目_GitHub项目:教你如何实现 PDF 转 Word

点击上方“GitHub科技”,选择“置顶公众号”关键时刻,第一时间送达!搜罗最好的GitHub项目分享给大家记得置顶关注就是最大的支持本期为大家继续分享个GitHub上面的大神开源的项目,大家可以认真看看,然后把对自己刚兴趣的收藏下来!公众号不敢保证每次推荐你都喜欢,但是可以保证尽量让大多数关注公众号的读者都可以获取GitHub上一些比较好玩有用的开源项目以及一些科技圈大家都关注的话题 ...

weixin_39589693的博客 195

多目标优化权衡分析:从 Pareto 前沿到 3 种量化指标(相关系数/膝点/理想点)

本文深入探讨多目标优化中的权衡分析,介绍从Pareto前沿到三种量化指标(相关系数、膝点、理想点)的实用方法。通过Python代码示例和对比分析,帮助读者在工程设计、投资组合等场景中有效评估目标间的Trade-off关系,实现科学决策。

weixin_29032337的博客 395

第二十七届华东杯数学建模A 题 跳台滑雪问题 完整思路模型及代码

考虑到滑行过程中的空气阻力和摩擦力对速度的影响,我们引入了不同姿态下运动员迎风面积和空气阻力系数的变化,利用牛顿第二定律建立加速度表达式,并通过数值模拟比较常见姿态下的终端速度。针对问题二,我们构建了二维空中飞行动力学模型,结合起跳速度、身体迎角、滑雪板倾角等因素,模拟运动员在空中飞行的轨迹与姿态变化,采用欧拉法对运动过程进行仿真,优化飞行路径和稳定性。仿真结果表明,运动员应在起跳后保持滑雪板与身体成“V”字形打开、重心略后倾的姿态,以增强升力、延长飞行距离并提高姿态得分。,并模拟出跳跃的轨迹和最终得分。

lichensun的博客 3212

90%的人都不知道,GitHub里的7大隐含技巧

Github 作为全球最大的开源软件项目托管平台,相信很多程序员都在使用,因为github上面有大量的开源学习项目或资源,秉着开源自由的理念,吸引了大量的个人或者企业开发者。那么面对如此...

cainiao_python的博客 269

成功解决使用jupyter notebook命令打开原先存的.ipynb文件突然消失的问题

成功解决使用jupyter notebook命令打开原先存的.ipynb文件突然消失的问题 目录 解决问题 解决思路 解决方法 T1、修改默认配置 T2、修改后缀参数(此方法是其他网友推荐,博主没有尝试) T3、如果以上还不成功,这个时候很可能是环境配置有问题 解决问题 使用jupyter notebook命令打开原先存的.ipynb文件突然消失的问题 解决思路 使用jupyter notebook命令打开原先存的.ipynb文件突然消失,说明...

头部AI社区如有邀博主AI主题演讲请私信—心比天高,仗剑走天涯,保持热爱,奔赴向梦想!低调,专注,谦虚,自律,反思,成长,还算比较正能量的博主,公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然,有点小情怀,也有点使命感呀 5118

python正则菜鸟_GitHub标星3.9K!223个Python小例子,一次让你吃个够!

大家好,我是程序员G哥,都说拳不离手,曲不离口,学习编程其实就跟练武一样,每个小白成长为大侠都需要经过不断的磨练,打怪升级,不断的增长经验值。而GitHub就是一个大的宝库,里面有各种武林秘籍,让你吸取能量!今天G哥在逛GitHub的时候,发现了一份非常不错的学习Python的资源。一共有223个小例子,每个60秒就能看完,一口一个,短小精悍,非常适合学习修炼。作者Jack非常厉害,整理...

weixin_42500818的博客 111

第三节:Vben Admin登录对接后端login接口

上一节,我们梳理的Vben Admin登录功能接口的逻辑,本节开始正式开启后端的开发后端我们采用Python的Flask项目,Flask-SQLAlchemy管理数据库模型,Flask-Migrate进行模型迁移。参考版本如下:Flask3.0.23.1.1本节,我们已经开启的后端的开发,因为是主要介绍Vben Admin的登录逻辑,所以Flask开发这里只截取了部分主要代码。

cuiwin的专栏 4191

C#上位机实战:Modbus RTU串口通信(CRC校验+超时重发完整实现)

在工业自动化上位机开发中,Modbus RTU是串口通信的事实标准协议,SerialPort是 .NET 平台操作串口的原生类,无需依赖第三方库即可实现基础通信。实际项目中,工控现场存在电磁干扰、串口丢包、设备响应延迟等问题,CRC 数据校验用于保证报文完整性,超时重发机制用于提升通信稳定性。本文从零封装一套可直接落地的 Modbus RTU 通信组件,包含完整的校验算法、超时控制、重发逻辑,并配套 WinForm 演示界面。本文基于 C# 原生SerialPort类,实现了一套生产可用。

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。 394

python 小例子 源码 莫凡_太赞了!Python学习宝典,GitHub标星3.9K!223个小例子,一次让你吃个够!...

大家好,我是程序员G哥,都说拳不离手,曲不离口,学习编程其实就跟练武一样,每个小白成长为大侠都需要经过不断的磨练,打怪升级,不断的增长经验值。而GitHub就是一个大的宝库,里面有各种武林秘籍,让你吸取能量!今天G哥在逛GitHub的时候,发现了一份非常不错的学习Python的资源。一共有223个小例子,每个60秒就能看完,一口一个,短小精悍,非常适合学习修炼。作者Jack非常厉害,整理...

weixin_39989862的博客 136

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

GitHub标星3.9K!223个Python小例子,一次让你吃个够!

大家好,我是程序员G哥,都说拳不离手,曲不离口,学习编程其实就跟练武一样,每个小白成长为大侠都需要经过不断的磨练,打怪升级,不断的增长经验值。而GitHub就是一个大的宝库,里面有各种武...

cainiao_python的博客 864

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

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")

如何学习Web安全,你必须知道的学习路线(超详细版)

在数字业务蓬勃发展的今天,Web安全已成为守护企业命脉的核心能力。无论您是初探安全领域的新人,还是希望精通漏洞挖掘与防护体系的工程师,本文都将为您梳理一条清晰的Web安全进阶路径,助您掌握攻防双视角的核心技能,从容应对真实战场中的安全威胁。

2401_85688943的博客 927

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

上一篇: 还在使用if else写代码?试试 “策略模式” 吧!
下一篇: Flask 与 Django 先学哪个呢
Python数据之道
博客等级 码龄9年 3080粉丝 139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