Beitrag zu einem anderen Repo
Seit Anfang dieses Monats arbeite ich intensiv an dem Open-Source-Kurs, den ich am Seneca Polytechnic belegt habe, und eines der Labore, die wir hatten, bestand darin, eine Pull-Anfrage zu erstellen das Repo einer anderen Person und genehmigen Sie eine Pull-Anfrage an Ihr eigenes Repo, also darüber werde ich sprechen.
Ich beginne mit einer Pull-Anfrage, die ich für ein Problem erstellt habe. Das Problem bestand darin, Unterstützung für ein Flag hinzuzufügen, das es ermöglicht, zu sehen, wie viele Token in der Anfrage und als Antwort verwendet wurden:
https://github.com/aamfahim/explainer.js/issues/22
Der Prozess der Implementierung dieser Funktion war ziemlich einfach. Ich musste das ursprüngliche Repository forken, die Änderungen festschreiben und in einen neuen Zweig übertragen und eine Pull-Anfrage vom Zweig in meinem Zweig zum Hauptzweig im ursprünglichen Repo erstellen:
https://github.com/aamfahim/explainer.js/pull/23
Die Implementierung war ziemlich einfach, wenn man bedenkt, dass ich node.js schon eine ganze Weile verwende und mein Teamkollege keine großen strengen Anforderungen an die Art und Weise hat, wie ich Code schreibe. Nachdem er meinen Code überprüft hatte, bat er mich, die Namen der Variablen zu ändern, um sie aussagekräftiger zu gestalten, aber das war es auch schon – die Änderungen waren recht einfach und unkompliziert.
Jetzt hatte mein Partner große Probleme, das Problem in meinem Repository zu implementieren:
https://github.com/SychAndrii/infusion/issues/20
Mit seiner Pull-Anfrage:
https://github.com/SychAndrii/infusion/pull/21
Wie Sie sehen können, ist der Verlauf der Überprüfung und der angeforderten Änderungen viel länger als beim ersten Pull-Request. Die Art und Weise, wie mein Teamkollege (dessen Problem ich übrigens schätze) beim ersten Mal Code schrieb, bestand darin, eine Funktion zu erstellen, die ihren Code nur ausführte, wenn der zweite Parameter True war. Daher kam ich zu dem Schluss, dass dies kein sehr sauberer Ansatz ist, und bat ihn darum mach es neu. Anstatt das Kettenobjekt von Langchain mit einer Funktion zu konstruieren, die manchmal gar nichts tut, habe ich ihn gebeten, dieses Objekt unter Bedingungen zu konstruieren, aber mit einer Funktion, die immer nützlich ist. Darüber hinaus hat mein Teamkollege große Probleme mit der Python-Sprache (um ehrlich zu sein, ich auch), sodass er aufgrund der Sprache und der mehreren Abstraktionsebenen von LangChain große Probleme bei der Implementierung der Funktion im Allgemeinen hatte.
Nach Abschluss dieses Labors habe ich gelernt, wie man Code auf Github überprüft, Pull-Anfragen ablehnt und genehmigt und wie man sie mit bestehenden Problemen verknüpft. Darüber hinaus hatte ich bereits Kenntnisse über alles, was wir getan haben.
Das obige ist der detaillierte Inhalt vonBeitrag zu einem anderen Repo. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

Video Face Swap
Tauschen Sie Gesichter in jedem Video mühelos mit unserem völlig kostenlosen KI-Gesichtstausch-Tool aus!

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen











Python ist leichter zu lernen und zu verwenden, während C leistungsfähiger, aber komplexer ist. 1. Python -Syntax ist prägnant und für Anfänger geeignet. Durch die dynamische Tippen und die automatische Speicherverwaltung können Sie die Verwendung einfach zu verwenden, kann jedoch zur Laufzeitfehler führen. 2.C bietet Steuerung und erweiterte Funktionen auf niedrigem Niveau, geeignet für Hochleistungsanwendungen, hat jedoch einen hohen Lernschwellenwert und erfordert manuellem Speicher und Typensicherheitsmanagement.

Um die Effizienz des Lernens von Python in einer begrenzten Zeit zu maximieren, können Sie Pythons DateTime-, Zeit- und Zeitplanmodule verwenden. 1. Das DateTime -Modul wird verwendet, um die Lernzeit aufzuzeichnen und zu planen. 2. Das Zeitmodul hilft, die Studie zu setzen und Zeit zu ruhen. 3. Das Zeitplanmodul arrangiert automatisch wöchentliche Lernaufgaben.

Python ist in der Entwicklungseffizienz besser als C, aber C ist in der Ausführungsleistung höher. 1. Pythons prägnante Syntax und reiche Bibliotheken verbessern die Entwicklungseffizienz. 2. Die Kompilierungsmerkmale von Compilation und die Hardwarekontrolle verbessern die Ausführungsleistung. Bei einer Auswahl müssen Sie die Entwicklungsgeschwindigkeit und die Ausführungseffizienz basierend auf den Projektanforderungen abwägen.

Ist es genug, um Python für zwei Stunden am Tag zu lernen? Es hängt von Ihren Zielen und Lernmethoden ab. 1) Entwickeln Sie einen klaren Lernplan, 2) Wählen Sie geeignete Lernressourcen und -methoden aus, 3) praktizieren und prüfen und konsolidieren Sie praktische Praxis und Überprüfung und konsolidieren Sie und Sie können die Grundkenntnisse und die erweiterten Funktionen von Python während dieser Zeit nach und nach beherrschen.

Python und C haben jeweils ihre eigenen Vorteile, und die Wahl sollte auf Projektanforderungen beruhen. 1) Python ist aufgrund seiner prägnanten Syntax und der dynamischen Typisierung für die schnelle Entwicklung und Datenverarbeitung geeignet. 2) C ist aufgrund seiner statischen Tipp- und manuellen Speicherverwaltung für hohe Leistung und Systemprogrammierung geeignet.

PythonlistsarePartThestandardlibrary, whilearraysarenot.listarebuilt-in, vielseitig und UNDUSEDFORSPORINGECollections, während dieArrayRay-thearrayModulei und loses und loses und losesaluseduetolimitedFunctionality.

Python zeichnet sich in Automatisierung, Skript und Aufgabenverwaltung aus. 1) Automatisierung: Die Sicherungssicherung wird durch Standardbibliotheken wie OS und Shutil realisiert. 2) Skriptschreiben: Verwenden Sie die PSUTIL -Bibliothek, um die Systemressourcen zu überwachen. 3) Aufgabenverwaltung: Verwenden Sie die Zeitplanbibliothek, um Aufgaben zu planen. Die Benutzerfreundlichkeit von Python und die Unterstützung der reichhaltigen Bibliothek machen es zum bevorzugten Werkzeug in diesen Bereichen.

Zu den Anwendungen von Python im wissenschaftlichen Computer gehören Datenanalyse, maschinelles Lernen, numerische Simulation und Visualisierung. 1.Numpy bietet effiziente mehrdimensionale Arrays und mathematische Funktionen. 2. Scipy erweitert die Numpy -Funktionalität und bietet Optimierungs- und lineare Algebra -Tools. 3.. Pandas wird zur Datenverarbeitung und -analyse verwendet. 4.Matplotlib wird verwendet, um verschiedene Grafiken und visuelle Ergebnisse zu erzeugen.
