上传自己的项目/代码，以及Git的下载流程见下面链接。

怎么在GitHub上上传自己的项目/代码
当我们看到某些别人的开源项目的源代码时，想要下载它，一般有如下选项。



通常来说，我们一般是下载Git（ubuntu系统一般自己默认有Git，windows则需要自己安装，安装方法见上面链接），然后以URL的方式下载，如果嫌麻烦可以直接下载zip压缩文件然后解压。

这里介绍如何用Git下载代码到指定文件夹。

下载好Git后，进入你想要将代码下载到的文件夹。右键选择Git Bash Here。



如果是ubuntu，就直接打开终端然后cd到你要下载到的文件夹即可。


复制刚刚的URL地址，运行命令，等待下载完就行啦

git clone 刚刚复制的地址

	

(给程序员零距离加星标，零距离了解项目开发.)
开源最前线(ID：OpenSourceTop) 猿妹整编
转载请注明来源作者
9月份GitHub上最热门的JavaScript开源项目排行已经出炉啦，一起来看看上榜详情吧：130-seconds-of-code
https://github.com/30-seconds/30-seconds-of-code
这个项目里精心收集了大量有用的JavaScript代码片段文章，让你能够在极短的时间内可以理解使用它们，分为日期、节点、功能模块等部分，你可以直接将文件的这些代码直接导入到你的的文本编辑器(VSCode，Atom，Sublime)
2jira_clone
https://github.com/oldboyxx/jira_clone 
这个项目是使用React / Babel(客户端)和Node / TypeScript(API)构建的简化的Jira克隆。
3Bootstrap
https://github.com/twbs/bootstrap Stars 115884
Bootstrap是快速开发Web应用程序的前端工具包。它是一个CSS，HTML和JS的集合，它使用了最新的浏览器技术，给你的Web开发提供了时尚的版式，表单，buttons，表格，网格系统等等。
4bypass-paywalls-chrome
https://github.com/iamadamdev/bypass-paywalls-chrome
这个工具可以帮助你跳过Medium、纽约时报等几十个付费网站的阅读限制。
5joplin
https://github.com/laurent22/joplin
joplin是一个免费的，开源的笔记和待办事项的应用程序，可以处理笔记本组织成的大量笔记。笔记是可搜索的，可以直接从应用程序复制，标记和修改，也可以从自己的文本编辑器进行修改。笔记采用Markdown格式。
通过.enex文件从Evernote导出的Notes 可以导入到 Joplin 中，包括格式化内容(转换为Markdown)，资源(图像，附件等)和完整的元数据(地理位置，更新时间，创建时间等)。
6uBlock
https://github.com/gorhill/uBlock
uBlock是一款功能强大的网络请求过滤器，它适用于所有网站，通过规则可拦截恶意网站，过滤广告，保护个人隐私，同时占用极少的CPU和内存消耗。
uBlock支持谷歌、火狐浏览器以及其他基于Chromium为核心的浏览器。它的界面简洁明了，各个功能按钮整齐排列，即便是初次接触者，也很容易上手。
7generator-jhipster
https://github.com/jhipster/generator-jhipster
JHipster是一个开发平台,用于生成,开发和部署Spring Boot+Angular/React/VueWeb应用程序和Spring微服务。这个项目是JHipster示例项目分析。
8dayjs
https://github.com/iamkun/dayjs
Day.js是一个仅2kb大小的轻量级 JavaScript 时间日期处理库，和Moment.js的API设计保持完全一样。如果你曾经用过Moment.js ，那么你已经知道如何使用Day.js 。
9javascript-testing-best-practices
https://github.com/goldbergyoni/javascript-testing-best-practices
这是一份全面且详尽的JavaScript和Node.js测试最佳实践。
10ueditor
https://github.com/fex-team/ueditor
UEditor是由百度Web前端研发部开发所见即所得富文本Web编辑器，具有轻量，可定制，注重用户体验等特点，开源基于MIT协议，允许自由使用和修改代码。
11vue
https://github.com/vuejs/vue
Vue.js是构建Web界面的JavaScript库，提供数据驱动的组件，还有简单灵活的API，使得MVVM更简单。主要特性：
可扩展的数据绑定
将普通的JS对象作为model
简洁明了的API
组件化UI构建
配合别的库使用
文章精选1、为了多点时间陪女朋友，我向BAT大佬跪求了这15条JS技巧2、写好 JS 条件语句的 5 条守则3、20道JS原理题助你面试一臂之力！
更多精彩等待你的发现点分享点点赞点在看

原文地址：https://medium.mybridge.co/python-open-source-for-the-past-month-v-may-2019-473e9f60c73f
5 月份刚刚过去，之前看到了一篇介绍 5 月份的最热机器学习项目，刚好看到 Mybridge AI 博客又发表了一篇 5 月份最热的 Python Github 开源项目，同样是在将近 230 个 Python 开源项目中选择最热门的前十个。
选择的十个项目包含了 Debug 工具、删除 Facebook 文章、无限云盘存储空间、AI 水军、并发运算工具、量化交易系统等等。
那么就来看看这十个项目吧！
第一名：PySnooper
这是一款调试代码的工具，让你不需要再通过采用 print 来定位错误发生的地方和原因。目前有 11000+ 星。
PySnooper 可以让你不需要仔细选择哪些行需要打印信息，只需要对目标函数添加一行装饰器，就可以知道很仔细看到函数的运行状况，包括哪行运行、局部变量的变化等。
安装方法很简单，可以使用 pip 或 anaconda 两种安装方法：
$ pip install pysnooper或者$ conda install -c conda-forge pysnooper
一个使用例子如下，首先是需要导入 pysnooper ，然后想知道函数 number_to_bits() 的运行情况，只需要添加 @pysnooper.snoop() 即可。
import pysnooper@pysnooper.snoop()def number_to_bits(number): if number: bits = [] while number: number, remainder = divmod(number, 2) bits.insert(0, remainder) return bits else: return [0]number_to_bits(6)
得到的输出结果：
Starting var:.. number = 615:29:11.327032 call 4 def number_to_bits(number):15:29:11.327032 line 5 if number:15:29:11.327032 line 6 bits = []New var:....... bits = []15:29:11.327032 line 7 while number:15:29:11.327032 line 8 number, remainder = divmod(number, 2)New var:....... remainder = 0Modified var:.. number = 315:29:11.327032 line 9 bits.insert(0, remainder)Modified var:.. bits = [0]15:29:11.327032 line 7 while number:15:29:11.327032 line 8 number, remainder = divmod(number, 2)Modified var:.. number = 1Modified var:.. remainder = 115:29:11.327032 line 9 bits.insert(0, remainder)Modified var:.. bits = [1, 0]15:29:11.327032 line 7 while number:15:29:11.327032 line 8 number, remainder = divmod(number, 2)Modified var:.. number = 015:29:11.327032 line 9 bits.insert(0, remainder)Modified var:.. bits = [1, 1, 0]15:29:11.327032 line 7 while number:15:29:11.327032 line 10 return bits15:29:11.327032 return 10 return bitsReturn value:.. [1, 1, 0]
当然，它还可以只监控函数中的一部分代码，还有其他的用法，具体可以到其 Github 上。
链接：
https://github.com/cool-RR/pysnooper?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
第二名：DeleteFB
一款用于删除 Facebook 文章的工具，目前有 2224 星。
这款工具是基于 Selenium 实现的，因此作者认为它比一些第三方 app 更加可靠，并且也不容易遭到 Facebook 的阻拦。
几种安装方法：
# 1.Install from PyPIpip install --user delete-facebook-posts# 2.Clone repo and runpip install --user .# orpip install --user git+https://github.com/weskerfoot/DeleteFB.git# 3.Set up a Python virtualenv, activate it, and runpip install -r requirements.txt
其他的详细介绍可以查看该 Github 项目。
链接：
https://github.com/weskerfoot/DeleteFB?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
第三名：无限云盘存储空间(UDS : Unlimited Drive Storage)
第三名是一个可以实现不需要占据空间但能上传文件到谷歌云盘的一个工具，目前 3232 星。
根据它的介绍，实现这个功能主要是通过将二进制文件分解成 base64 的格式，其实现的功能：
将文件上传到谷歌云盘但不会占据存储空间；
下载任意存储的文件到本地电脑
具体实现的逻辑是：
谷歌文档在谷歌云盘中是不占空间的
将二进制文件采用 base64 编码文件分解为谷歌文档
编码后的文件大小总是会大于源文件，而经过 Base64 编码的二进制数据后的文件和源文件的比例大约是 4:3
单个谷歌文档可以存储大约一百万字节，这大约是 710 KB 大小的 base64编码数据
尝试采用多线程上传文件，但没有显著提升速度
具体的配置和使用方法可以查看它在 Github 上的介绍。
链接：
https://github.com/stewartmcgown/uds?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
第四名：eht-imaging
这是一个应用在射电干涉测量方面的成像、分析、仿真软件。目前有 5000+ 星。
具体来说，就是可以仿真和操纵 VLBI 数据并利用正则化的最大似然方法生成图片的一个 Python 模块。
链接：
https://github.com/achael/eht-imaging?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
官方文档链接：
https://achael.github.io/eht-imaging/
第五名：YouTubeCommenter
应用于 Youtube，利用 AI 技术，基于视频标题生成评论的工具，目前有 159 星。
作者也说了目前该项目仅仅是作为一个参考，还不能真正应用。
感觉如果技术真正成熟，这就是一个 AI 水军，而且可以快速控制某些视频的评论。
此外，这里还有作者的一个视频介绍和演示，需要科学上网以及良好的英语听力，视频大约是 9 分钟左右，大致简单看了作者演示的效果，确实离真正可用还是有很大的距离。
https://youtu.be/tY6SvZEic9k
链接：
https://github.com/HackerPoet/YouTubeCommenter?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
第六名：stackprinter
这也是一个调试工具，目前有 900+ 星。
它会打印出错代码内容以及这段代码周围的变量数值，这非常符合一个友好的交互的调试器：出错的代码位置，附近变量数值，以及这个函数调用这些参数的原因。
安装方法很简单：
pip install stackprinter
更详细的介绍可以查看其 Github。
链接：
https://github.com/cknd/stackprinter?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
第七名：Pykka
Pykka 是对并发运算中的角色模型(actor model)的 python 版实现库，目前有 763星。
具体细节和使用例子可以查看官方文档：
https://www.pykka.org/en/latest/
安装方法如下：
pip install pykka
链接：
https://github.com/jodal/pykka?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
第八名：QTSSTM4
一个数字货币的量化交易系统。目前有 244 星。
这个系统对于初学者可能比较复杂，作者建议先看看下面三份资料：
https://github.com/xiaoyao153379/BakTst_Org)
https://github.com/xiaoyao153379/BakTst_Trd)
https://github.com/xiaoyao153379/scripts
详细的介绍查看 Github。
链接：
https://github.com/xiaoyao153379/QTSSTM4?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
第九名：Maildown
一个简单的发送邮件的命令行接口，目前有 521 星。
Maildown 是基于亚马逊的 SES 服务，它每个月可以免费发送 62000 封邮件，可以满足大部分人的需求。
因此，在使用 Maildown 之前需要先一个亚马逊 AWS 的账号，注册地址：
https://aws.amazon.com/
然后也需要有一个 SES 账户：
https://docs.aws.amazon.com/ses/latest/DeveloperGuide/request-production-access.html
安装方法直接用
pip install maildown
更详细的介绍请查看 Github。
链接：
https://github.com/chris104957/maildown?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
第十名：modDetective
这是一个根据修改时间对文件进行排序操作的工具，目前有 119 星。
目前这个工具还在继续完善和优化中，根据作者的说法，目前查找速度还是线性的，需要继续优化。
Github 有一个简单演示的视频。
链接：
https://github.com/itsKindred/modDetective?utm_source=mybridge&utm_medium=blog&utm_campaign=read_more
这就是作者整理出来的 5 月份 Github 上最热的十个 Python 项目，往届其他 Python、机器学习等热门项目也可以查看一下 Github：
https://github.com/Mybridge/python-open-source
或者网站：
https://medium.mybridge.co/
原文地址：https://medium.mybridge.co/python-open-source-for-the-past-month-v-may-2019-473e9f60c73f

TensorFlow
TensorFlow是一个端到端的机器学习开源平台。由工具、库和社区资源组成的全面、灵活的生态系统，使开发人员能够轻松地构建和部署基于ML的应用程序。
TensorFlow最初是由谷歌机器智能研究组织的谷歌大脑团队的研究人员和工程师开发的，用于进行机器学习和深度神经网络研究。该系统具有足够的通用性，可以广泛应用于其他领域。
(1)URL：
https://www.tensorflow.org/
(2)Github URL：
https://github.com/tensorflow/tensorflow
Scikit-learn
Scikit-learn是用于数据挖掘和数据分析的简单而高效的工具，每个人都可访问，并可在各种环境中重用，它建立在NumPy、SciPy和matplotlib之上，是开源的，商业上可用的。
(1)URL：
http://scikit-learn.org/
(2)Github URL：
https://github.com/scikit-learn/scikit-learn
Keras
Keras是一个高级的神经网络API，用Python编写，能够在TensorFlow、CNTK或Theano上运行。
(1)URL：
https://keras.io/
(2)Github URL：
https://github.com/keras-team/keras
PyTorch
Python中具有强大GPU加速和动态神经网络
(1)URL：
https://pytorch.org/
(2)Github URL：
https://github.com/pytorch/pytorch
Theano
Theano是一个Python库，允许开发者高效地定义、优化和计算涉及多维数组的数学表达式。它可以使用gpu进行高效的符号微分。
(1)URL：
http://deeplearning.net/software/theano/
(2)Github URL：
https://github.com/Theano/Theano
Gensim
Gensim是一个免费的Python库，具有可伸缩的统计语义、分析纯文本文档的语义结构、检索语义相似的文档等功能。
(1)URL：
https://radimrehurek.com/gensim/
(2)Github URL：
https://github.com/RaRe-Technologies/gensim
Caffe
Caffe是一种深度学习框架，它考虑了表达式、速度和模块化。由伯克利视觉与学习中心(BVLC)和社区贡献者开发的。
(1)URL：
http://caffe.berkeleyvision.org/
(2)Github URL：
https://github.com/BVLC/caffe
Chainer
Chainer是一个基于python的、独立的开源框架，用于深度学习模型。Chainer提供了一种灵活、直观、高性能的方法来实现全方位的深度学习模型，包括最先进的模型，如递归神经网络和变分自动编码器。
(1)URL：
https://chainer.org/
(2)Github URL：
https://github.com/chainer/chainer
Statsmodels
Statsmodels是一个Python模块，允许用户研究数据、估计统计模型和执行统计测试。描述统计、统计测试、绘图函数和结果统计的广泛列表可用于不同类型的数据和估计。
(1)URL：
http://www.statsmodels.org/stable/index.html
(2)Github URL：
https://github.com/statsmodels/statsmodels/
Shogun
Shogun是机器学习工具箱，提供了广泛的统一和有效的机器学习(ML)方法。允许轻松地组合多个数据表示、算法类和通用工具。
(1)URL：
http://shogun-toolbox.org/
(2)Github URL：
https://github.com/shogun-toolbox/shogun
Pylearn2
Pylearn2是一个机器学习库。它的大部分功能都建立在Theano之上。这意味着开发者可以使用数学表达式编写Pylearn2插件(新模型、算法等)，Theano将为其优化和稳定这些表达式，并将它们编译到你选择的后端(CPU或GPU)。
(1)URL：
http://deeplearning.net/software/pylearn2/
(2)Github URL：
https://github.com/lisa-lab/pylearn2
NuPIC
NuPIC是一个基于新大脑皮层理论的开源项目，该理论被称为分级时间记忆(HTM)。HTM理论的部分内容已经实现、测试并在应用中使用，HTM理论的其他部分仍在开发中。
(1)URL：
https://numenta.org/
(2)Github URL：
https://github.com/numenta/nupic
Neon
Neon是Nervana基于python的深度学习库。它提供了易用性，同时提供了最高的性能。注意:Intel已经不再支持Neon了，但是你仍然可以通过Github来使用它。
(1)URL：
https://github.com/NervanaSystems/neon
(2)Github URL：
https://github.com/NervanaSystems/neon
Nilearn
Nilearn是一个Python模块，用于对神经成像数据进行快速、简单的统计学习。它利用scikit-learn Python工具箱进行多元统计，应用程序包括预测建模、分类、解码或连接性分析。
(1)URL：
https://nilearn.github.io/
(2)Github URL：
https://github.com/nilearn/nilearn
Orange3
Orange3是面向新手和专家的开源机器学习和数据可视化工具。具有大型工具箱的交互式数据分析工作流。
(1)URL：
https://orange.biolab.si/
(2)Github URL：
https://github.com/biolab/orange3
Pymc
Pymc是一个python模块，它实现了贝叶斯统计模型和拟合算法，包括马尔科夫链蒙特卡罗。它的灵活性和可扩展性使其适用于大量的问题。
(1)URL：
https://pymc-devs.github.io/pymc/README.html
(2)Github URL：
https://github.com/pymc-devs/pymc
Deap
Deap是一种用于快速原型设计和思想测试的新型进化计算框架。它试图使算法显式和数据结构透明。它与并行机制(如多处理和凸勺)完美地协调工作。
(1)URL：
https://pypi.org/project/deap/
(2)Github URL：
https://github.com/deap/deap
Annoy
Annoy创建了大型的基于只读文件的数据结构，这些结构被映射到内存中，以便许多进程可以共享相同的数据。
(1)URL：
https://pypi.org/project/annoy/
(2)Github URL：
https://github.com/spotify/annoy
PyBrain
PyBrain是Python的一个模块化机器学习库。它的目标是为机器学习任务提供灵活、易于使用但仍然强大的算法，以及用于测试和比较算法的各种预定义环境。
(1)URL：
http://pybrain.org/
(2)Github URL：
https://github.com/pybrain/pybrain
Fuel
Fuel是一个数据管道框架，它为你的机器学习模型提供它们需要的数据。它计划用于模块和Pylearn2神经网络库。
(1)URL：
https://fuel.readthedocs.io/en/latest/
(2)Github URL：
https://github.com/mila-iqia/fuel
关注我，私信“AR干货”，即可获得AR开发资料包和AR行业书籍报告！