GitHub 上 Python 周趋势前 10 名

本文由IssueHunt精选，IssueHunt是一个开源项目赏金平台。

这是开源软件最简单的盈利方式。

算法 / Python

所有算法均使用 Python 实现（仅供教学用途）
。这些算法仅用于演示目的。Python 标准库中有很多类似的实现，在性能方面要好得多。

GitHub - TheAlgorithms/Python：所有用 Python 实现的算法

mwouts / jupytext

Jupyter Notebook 可以转换为 Markdown 文档、Julia、Python 或 R 脚本。Jupytext
可以将 Notebook 与 Julia、Python 和 R 脚本（扩展名为 .jl、.py 和 .R）、
Markdown 文档（扩展名为 .md）以及
R Markdown 文档（扩展名为 .Rmd）相互转换。Jupytext
可在 Jupyter 内部使用。您可以像往常一样在 Jupyter 中处理 Notebook，并以您选择的格式保存和读取它。

GitHub - mwouts/jupytext：将 Jupyter notebook 转换为 Markdown 文档、Julia、Python 或 R 脚本

donnemartin/系统设计入门

学习如何设计大型系统。
准备系统设计面试。
包含 Anki 记忆卡片。
总结了各种系统设计主题，包括优缺点。凡事皆有取舍。
每个章节都包含指向更深入资源的链接。

GitHub - donnemartin/system-design-primer：学习如何设计大型系统。准备系统设计面试。包含 Anki 记忆卡片。

TensorFlow 模型

该仓库包含多个用 TensorFlow实现的不同模型。

官方模型是一系列使用 TensorFlow 高级 API 的示例模型。它们旨在得到良好的维护、测试，并与最新的稳定版 TensorFlow API 保持同步。此外，它们还应在保证易读性的同时，尽可能地优化性能。我们特别建议 TensorFlow 新手从这里开始学习。

这些研究模型是由研究人员使用 TensorFlow 实现的大量模型集合。它们没有官方支持，也不包含在发布分支中；维护这些模型以及提供问题和拉取请求方面的支持均由各个研究人员自行负责。

示例文件夹包含代码片段和小型模型，用于演示 TensorFlow 的功能，其中包括在各种博客文章中展示的代码。

tutorials 文件夹是TensorFlow 教程中描述的模型的集合。

GitHub - donnemartin/system-design-primer：学习如何设计大型系统。准备系统设计面试。包含 Anki 记忆卡片。

TensorFlow/TensorBoard

TensorBoard 是一套用于检查和理解 TensorFlow 运行结果和图表的 Web 应用程序。
本 README 文件概述了 TensorBoard 的关键概念，以及如何解读 TensorBoard 提供的可视化效果。如需 TensorBoard 的详细使用示例，请参阅教程：TensorBoard：可视化学习。如需了解图表可视化工具的详细信息，请参阅教程：TensorBoard：图表可视化。

tensorflow · GitHub

django/django

Django 是一个高级 Python Web 框架，它鼓励快速开发和简洁实用的设计。感谢您的关注。
所有文档都位于“docs”目录下，也可在线访问 https://docs.djangoproject.com/en/stable/查看。
如果您是新手，我们建议您按以下步骤阅读文档：
首先，请阅读 docs/intro/install.txt 文件，了解 Django 的安装说明。

GitHub - django/django：为有截止日期的完美主义者打造的 Web 框架。

vinta/awesome-python

Awesome Python
精选优秀的 Python 框架、库、软件和资源列表。

超棒的 Python
管理面板
算法与设计模式
反垃圾邮件
资产管理

还有很多其他人。

GitHub - vinta/awesome-python：精选的优秀 Python 框架、库、软件和资源列表

永远的藏身处/永远的虫子

Everbug 是一个轻量级的 Django 中间件，适用于 Chrome/Firefox 扩展，安装简便。
其优势之一是：目标页面的响应体保持简洁，不会发生任何变化。

GitHub - everhide/everbug：Django 浏览器调试工具

junfu1115/DANet

本文提出了一种基于自注意力机制的双重注意力网络（DANet），用于自适应地整合局部特征及其全局依赖关系。
该网络在三个具有挑战性的场景分割数据集（即 Cityscapes、PASCAL Context 和 COCO Stuff-10k 数据集）上取得了新的最佳分割性能。

GitHub - junfu1115/DANet：用于场景分割的双注意力网络

facebookincubator/python-nubia

Nubia 是一个轻量级的 Python 命令行应用程序框架。
它最初是为 Facebook 的“logdevice interactive shell (又名 ldshell)”设计的。
后来，它被拆分出来作为一个可重用的组件，现在 Facebook 的多个内部项目都依赖它，以便快速轻松地构建一个直观的 shell/CLI 应用程序，而无需编写太多样板代码。Nubia
基于 python-prompt-toolkit 构建，python-prompt-toolkit 是一个用于构建交互式命令行应用程序的出色工具包。