视觉享受,兼顾人文观感和几何特征的字体「GitHub 热点速览 v.22.46」

视觉享受,兼顾,人文,观感,几何,特征,字体,github,热点 · 浏览次数 : 1050

小编点评

**新字体:得意黑体** * 得意黑体是现代窄斜体,以人文观感和几何特征而闻名。 * 支持简体中文常用字(覆盖 GB2312 编码字符集)、拉丁字母、日文假名、阿拉伯数字和各类标点符号。 * GitHub 地址:https://github.com/atelier-anchor/smiley-sans2

正文

GitHub 上开源的字体不在少数,但是支持汉字以及其他非英文语言的字体少之又少,记得上一个字体还是 霞鹜文楷,本周 B 站知名设计 UP 主开源了的得意黑体在人文观感和几何特征之间找到了美的平衡。

而文本编辑器剪视频 autocut 则优雅和便捷之间找到它的平衡,分布式时序数据库 greptimedb 灵活地周旋于强分析力和高性能,LaTeX 生成器 latexify_py 两手抓住 Python 源码和 AST。

以下内容摘录自微博@HelloGitHub 的 GitHub Trending 及 Hacker News 热帖(简称 HN 热帖),选项标准:新发布 | 实用 | 有趣,根据项目 release 时间分类,发布时间不超过 14 day 的项目会标注 New,无该标志则说明项目 release 超过半月。由于本文篇幅有限,还有部分项目未能在本文展示,望周知 🌝

  • 本文目录
    • 1. 本周特推
      • 1.1 文本编辑器剪视频:autocut
      • 1.2 现代窄斜体:smiley-sans
    • 2. GitHub Trending 周榜
      • 2.1 语言模型:galai
      • 2.2 分布式时序数据库:greptimedb
      • 2.3 开发人员速查表:reference
      • 2.4 Python 代码生成 LaTeX:latexify_py
      • 2.5 下一代爬虫框架:katana
    • 3. 往期回顾

1. 本周特推

1.1 文本编辑器剪视频:autocut

主语言:Python

New AutoCut 会对你的视频自动生成字幕,再选择所需保留的句子,AutoCut 便会对视频中相应的片段裁切并保存。无需使用视频编辑软件,只需要编辑文本文件即可完成剪切。

GitHub 地址→https://github.com/mli/autocut

1.2 现代窄斜体:smiley-sans

主语言:HTML

New 得意黑是一款在人文观感和几何特征中寻找平衡的中文黑体。整体字身窄而斜,细节融入了取法手绘美术字的特殊造型。字体支持简体中文常用字(覆盖 GB2312 编码字符集)、拉丁字母、日文假名、阿拉伯数字和各类标点符号。

目前 smiley-sans 除了支持常见数字和标点外,还支持汉字(6,767 个)、拉丁字母(覆盖欧洲、美洲、南亚各种语言所需的字符共 415 个)以及日文假名(174 个)。

GitHub 地址→https://github.com/atelier-anchor/smiley-sans

2.1 语言模型:galai

本周 star 增长数:1,300+主语言:Python

New GALACTICA 是一个通用语言模型,经过大量的科学文本和数据的训练,它能高效地完成学术上的 NLP 任务,尤其是在引用预测、数学推理、生物、医学上有出色的性能。通过下列方式即可快速用上该模型:

import galai as gal

model = gal.load_model("standard")
model.generate("Scaled dot product attention:\n\n\\[")
# Scaled dot product attention:\n\n\\[ \\displaystyle\\text{Attention}(Q,K,V)=\\text{softmax}(\\frac{QK^{T}}{\\sqrt{d_{k}}}%\n)V \\]

GitHub 地址→https://github.com/paperswithcode/galai

2.2 分布式时序数据库:greptimedb

本周 star 增长数:1,350+主语言:Rust

New GreptimeDB 是一个开源的时序数据库,专注于可扩展性、分析力和效率。一些特性:

  • 一个单机二进制文件可以扩成为高可用的分布式集群;
  • 优化用于处理时序数据的列式布局;
  • 灵活的索引;
  • 分布式、并行查询执行,可弹性计算资源;
  • 原生 SQL 和 Python 脚本可进行进阶性分析场景;

GitHub 地址→https://github.com/GreptimeTeam/greptimedb

2.3 开发人员速查表:reference

本周 star 增长数:1,350+主语言:CSS

New 可快速根据你的技术栈快速找寻相关知识,从入门到进阶的 Tips 都有。reference 英文可查阅链接:https://github.com/Fechin/reference

GitHub 地址→https://github.com/jaywcjlove/reference

2.4 Python 代码生成 LaTeX:latexify_py

本周 star 增长数:700+主语言:Python

latexify 是一个 Python 包,用来编译一段 Python 代码为 LaTeX。它主要提供以下两个功能:

  • 编译 Python 源码 / AST 为 LaTeX;
  • 用 IPython 类精准打印编译后函数;

GitHub 地址→https://github.com/google/latexify_py

2.5 下一代爬虫框架:katana

本周 star 增长数:900+主语言:Golang

New 作为下一代爬虫框架,katana 有以下特性:

  • 快速配置;
  • 支持标准和无头模式;
  • JavaScript 解析和爬取;
  • 支持自定义的自动填充;
  • 范围控制——预配置字段和正则;
  • 自定义输出;

GitHub 地址→https://github.com/projectdiscovery/katana

3. 往期回顾

往期回顾:

以上为 2022 年第 46 个工作周的 GitHub Trending 🎉如果你 Pick 其他好玩、实用的 GitHub 项目,记得来 HelloGitHub issue 区和我们分享下哟 🌝

最后,记得你在本文留言区留下你想看的主题 Repo(限公众号),例如:AI 换头。👀 和之前的送书活动类似,留言点赞 Top3 的小伙伴(),小鱼干会努力去找 Repo 的^^

HelloGitHub 交流群现已全面开放,添加微信号:HelloGitHub001 为好友入群,可同前端、Java、Go 等各界大佬谈笑风生、切磋技术~

与视觉享受,兼顾人文观感和几何特征的字体「GitHub 热点速览 v.22.46」相似的内容:

视觉享受,兼顾人文观感和几何特征的字体「GitHub 热点速览 v.22.46」

GitHub 上开源的字体不在少数,但是支持汉字以及其他非英文语言的字体少之又少,记得上一个字体还是 霞鹜文楷,本周 B 站知名设计 UP 主开源了的得意黑体在人文观感和几何特征之间找到了美的平衡。 而文本编辑器剪视频 autocut 则优雅和便捷之间找到它的平衡,分布式时序数据库 greptime

视觉语言跨模态特征语义相似度计算改进--表征空间维度语义依赖感知聚合算法 ACM MM

论文链接:Unlocking the Power of Cross-Dimensional Semantic Dependency for Image-Text Matching (ACM MM23) 代码主页:https://github.com/CrossmodalGroup/X-Dim 主要优

大龄程序员思考

视觉AI很难做 近来一直在从事AI 视觉检测方面的工作,外行人可能觉得挺厉害,实际上这钱挣得基本等于搬砖 近两年以来,行业不景气、制造业利润上不去,那么在这个产业链中,老板就没有余钱来进行升级改造。 老板们是否愿意花钱投入视觉检测,一是老板的认知、二是是否有足够的资金实力; 就算最后,老板有需求,也

视觉语言模型详解

视觉语言模型可以同时从图像和文本中学习,因此可用于视觉问答、图像描述等多种任务。本文,我们将带大家一览视觉语言模型领域: 作个概述、了解其工作原理、搞清楚如何找到真命天“模”、如何对其进行推理以及如何使用最新版的 trl 轻松对其进行微调。 什么是视觉语言模型? 视觉语言模型是可以同时从图像和文本中

为视觉语言多模态模型进行偏好优化

为视觉语言多模态模型进行偏好优化 训练模型使得它能够理解并预测人类偏好是一项比较复杂的任务。诸如 SFT (Supervised finetuning) 的传统的方法一般都需要耗费较大成本,因为这些算法需要对数据打上特定的标签。而偏好优化 (Preference Optimization) 作为一种

计算机视觉五大核心研究任务全解:分类识别、检测分割、人体分析、三维视觉、视频分析

> 本篇文章深入探讨了计算视觉的定义和主要任务。内容涵盖了图像分类与识别、物体检测与分割、人体分析、三维计算机视觉、视频理解与分析等技术,最后展示了无监督学习与自监督学习在计算机视觉中的应用。 > 作者 TechLead,拥有10+年互联网服务架构、AI产品研发经验、团队管理经验,同济本复旦硕,复旦

消除视觉Transformer与卷积神经网络在小数据集上的差距

摘要:本文通过多种操作构建混合模型,增强视觉Transformer捕捉空间相关性的能力和其进行通道多样性表征的能力,弥补了Transformer在小数据集上从头训练的精度与传统的卷积神经网络之间的差距。 本文分享自华为云社区《[NeurIPS 2022] 消除视觉Transformer与卷积神经网络

OLOR:已开源,向预训练权值对齐的强正则化方法 | AAAI 2024

随着预训练视觉模型的兴起,目前流行的视觉微调方法是完全微调。由于微调只专注于拟合下游训练集,因此存在知识遗忘的问题。论文提出了基于权值回滚的微调方法OLOR(One step Learning, One step Review),把权值回滚项合并到优化器的权值更新项中。这保证了上下游模型权值范围的一

python计算机视觉学习笔记——PIL库的用法

如果需要处理的原图及代码,请移步小编的GitHub地址 传送门:请点击我 如果点击有误:https://github.com/LeBron-Jian/ComputerVisionPractice 这个是之前的笔记,自己看到了就顺带发出来,也是温习一下,内容可能不太全,算是入门贴吧。 前言:PIL 图

OpenCV计算机视觉学习(14)——浅谈常见图像后缀(png, jpg, bmp)的区别(opencv读取语义分割mask的坑)

如果需要处理的原图及代码,请移步小编的GitHub地址 传送门:请点击我 如果点击有误:https://github.com/LeBron-Jian/ComputerVisionPractice 本来不想碎碎念,但是我已经在图像后缀上栽倒两次了。而且因为无意犯错,根本找不到问题。不论是在深度学习的语