超级盘点 | Github年终各大排行榜(内附开源项目学习资源)

2018 年 12 月 19 日 七月在线实验室

整理 | Jane

出品 | AI科技大本营


【导语】提到开源项目,2018 年注定是不平凡的一年。据 Octoverse 报告数据,仅在 2018 年,Github 上的新用户就比过去六年的用户总数还要多 ,存储库数量近一亿,这些增长都要归功于开源社区。


2018 年还有不到半月就要结束了,这一年,大家都学了些什么?在 Github 上度过了多少时间?收藏了多少开源项目?加入了哪些开源社区?是否为哪个项目或社区贡献了自己的一份力量呢?今天为大家整理了一份 Github 2018 年终报告,为大家盘点这一年 Github 上正在发生的一些变化,也希望能给大家在即将开始的 2019 年提供参考方向。


Github 年终报告


今年,在 Github 上,你可以跨存储库进行访问、获取全球超过 9600 万个项目的请求、问题与评论。托管在 Github 上的存储库达到 9600 多万个。创建了超过 2 亿个 pull requests,仅今年的创建量就超过了总数的 1/3。这里特别 Cue 一下第 2 亿个请求—— Vuetify.js。下面就要开始划重点了,营长马上为大家解读一些重要的内容。


一、开源项目四大排行榜


1、总排行榜(根据贡献者数量)


VS Code、React和 TensorFlow 三个项目的贡献者数量再次榜上有名并且位居了今年的前三甲。而今年,新上榜的还有容器管理类应用程序、Azure-docs 与合并 TypeScript 类型定义项目: Kubernetes, Azure Docs, and DefinitelyTyped。

     


2、飙升榜(根据增长速度)


总体来说,我们可以看到与机器学习、游戏、3D 打印、家庭自动化、科学编程、数据分析和全栈 JavaScript 开发相关的项目增长非常快速。

     


3、新酷榜


今年有很多令人兴奋的开源工作,从机器学习框架到游戏程序,这些开源项目虽然不是增速最快或最受欢迎的,但是我们认为这些开源项目或社区是非常有明星潜质的。

     


在前面的总榜和飙升榜中都有 TensorFlow 身影,而 Google 今年发布的强化学习新框架 dopamine 则进入新酷榜。紧随其后的是 Facebook Research 发布的 Detection 算法。大家看到最后一个项目的时候一定会非常熟悉,没错,就是当年风靡一时的微信小程序游戏跳一跳。


4、达人榜


这份排名主要是围绕那些致力于开源的组织。开源项目的发展离不开数百万付费或志愿开发人员的贡献以及雇佣他们的组织。其中,微软、Google、小红帽、英特尔及一些高校对开源项目及社区的贡献尤为突出。


     

二、主题排行榜


1、热题榜


今年的项目涉及上百万个主题,JavaScript(前端&后端)、机器学习和手机应用开发成为最热门的三大主题。

     


2、明星榜


机器学习和 React 是 Github 社区中热门主题,其中 PyTorch 和 Gatsby 是今年增长最快的主题,区块链相关领域也呈增长趋势,当然,榜首还是 Hacktoberfest。

     


三、语言排行榜


1、热门榜


Github 上的项目,涉及上百种编程语言,但是 JavaScript 仍是贡献者使用人数最多的。今年 TypeScript 的名次上升到第 7 位,去年才是第一次进入排行榜的前十名。


     

2、劲升榜


从发展趋势来看,Kotlin、HCL、TypeScript 和 Rust 的增速都非常快。近年来,AI 领域、机器学习与深度学习算法的火热, Python 成为非常流行的语言,在总流行榜中排名第三,增长趋势榜中排名第八。

     


除了开源项目、项目主题和编程语言的数据统计,还有一些比较有意思的统计,比如在 Github 社区中,使用不同语言的贡献者经常使用的表情符号。想问一下 C# 和 C++ 的小伙伴们,你们怎么了?(关爱脸~~)

          


完整报告,可以阅读:

https://octoverse.github.com/projects


四、十大开源项目推荐     



回顾过去的一年,每一个项目都是自发布后,从 0 Star、0 Fork 开始一个用户一个用户的积累。上面的那些榜单都是基于数据收集时长期累积的,下面推荐的这两份榜单有所不同,这些开源项目的数据都是在发布后 28 天的数据。


1、人气榜


根据 2017.12 --2018.12 的数据,评选出了 Github 上,基于项目发布 28 天后累计 Stars 数的十大开源项目。

     


2、原创榜


根据 2017.12 --2018.12 的数据,评选出了 Github 上,基于项目发布 28 天后累计贡献者数的十大开源项目。

     


阅读更多 Top 开源项目,可以阅读:

https://blog.github.com/2018-12-13-new-open-source-projects/



Github 深度学习开源项目资源清单

     


1、最受欢迎项目 Top 200 资源


这份定期更新的资料列表,列出了一段时间内最受大家欢迎的深度学习开源项目 Top 200。目前的数据更新于 2018 年 9 月。



看到前十名,想必大家都不陌生。一半是开源库或开源框架,TensorFlow、Keras、OpenCV、Caffe及 PyTorch;另外一半都是有助于学习升级的学习资源。有专门针对 TensorFlow 的教程 TensorFlow-Examples、有帮助攻克机器学习的 Machine-Learning-For-Software-Engineers、还有能在深度学习学习之路助你一臂之力的 Deep-Learning-Papers-Reading-Roadmap 和 Awesome-Deep-Learning-Papers。前十一名的名次都没有变化,不过MXNet 上升一个名而 CNTK 则下降一个名次,二者交换了排名。



2、上升趋势 Top 100 项目资源


根据统计当天获得 Stars 数量进行排名。目前的数据更新于 2018 年 9 月。



想获取更多开源项目,可访问地址:

https://github.com/mbadry1/Top-Deep-Learning

https://github.com/mbadry1/Trending-Deep-Learning





今日学习推荐

机器学习集训营第七期

火热报名中

前一百人特惠价:14199元

2019年1月14日开课

三个月挑战年薪四十万,甚至拿更高薪~

2018年底之前报名加送售价2699元的18VIP

[包2018全年在线课程和全年GPU]


有意的亲们抓紧时间喽

两人及两人以上组团还能各减500元


咨询/报名/组团可添加微信客服

julyedukefu_02

长按识别二维码



据统计,99%的大咖都完成了这个神操作


操作只需要四步

简单快捷,马上get起来



更多资讯

戳一戳

往期推荐

国内首个!无人驾驶车在武汉商业运营(文末送无人驾驶畅销书)

寒冬来临?Hinton:我并不认为会有AI寒冬

资源 | 《统计学习方法》的Python 3.6复现,实测可用(速收)

一位95后程序员的分享:如何拿下年薪45万的offer?

斯坦福全球AI报告:人才需求两年暴增35倍,中国机器人部署量涨500%


感谢您抽出  ·  来阅读此文

拼团,咨询,查看课程,请点击【阅读原文】

↓ ↓ ↓

登录查看更多
19+

相关内容

In recent years, spectral clustering has become one of the most popular clustering algorithms for image segmentation. However, it has restricted applicability to large-scale images due to its high computational complexity. In this paper, we first propose a novel algorithm called Fast Spectral Clustering based on quad-tree decomposition. The algorithm focuses on the spectral clustering at superpixel level and its computational complexity is O(nlogn) + O(m) + O(m^(3/2)); its memory cost is O(m), where n and m are the numbers of pixels and the superpixels of a image. Then we propose Multiscale Fast Spectral Clustering by improving Fast Spectral Clustering, which is based on the hierarchical structure of the quad-tree. The computational complexity of Multiscale Fast Spectral Clustering is O(nlogn) and its memory cost is O(m). Extensive experiments on real large-scale images demonstrate that Multiscale Fast Spectral Clustering outperforms Normalized cut in terms of lower computational complexity and memory cost, with comparable clustering accuracy.

1+
0+
下载
预览
Top