《开源之歌》,献给每一位开源人

618b41d3931be149344b2791e3c66ff8.gif

738818f706b47356d7e3a27b9c788df2.jpeg

cd95324c707dc3ee57764ad65aeb9aa1.png

0a826224779783b51aad902723400b22.png

今年的冬天,上海并没有像往年那样的暖阳。仿佛为了配合经历了一整年备受煎熬的人们的情绪,阴湿的雨下个不停,又冰又冷,但生活总还是要继续。

油条咖啡读书俱乐部,在小伙伴们的高效组织下,开源读书人们继续一期一会。纵然疫情险阻,昨天(12月3日)我们还是如约在美丽的浦江之滨相聚,有书,有咖啡和音乐。

当然,还有这一首开放式协作共创的《开源之歌》。Enjoy it 😉

12月3日,Richard 现场弹唱版

开源之歌 (v0.1)

(作词:狄安   作曲:林旅强)

C          Am
程序运行,看不见你容颜。
       F       G      C
有人给你黑暗的衣,
C          Am
世界寒冷。我想温暖你,
F      G    C
用最热烈的心。

    F          C
没有人相信,你会是孤单,在那
F          G
黑暗边缘,就让代码看见,
       F          C
我会大声说出,在光明里
F          Dm          G
张开双手,我要自由拥抱你!
          C          Am
Open Code, Open world!
         F          G
Open Code,Open world!

    C          Am
铁匠的眼泪换不到啤酒,
         F       G      C
封闭的代码变不出自由,
    C          Am
我们生来就是勇敢追逐着
F      G    C
光明和自由。
    F          G
热爱,将你我推向开源,
  Am
Happy Hacking, happy hacking!
    F
在大教堂与集市里,
       C
我们敲打键盘,
    F        C          G
谁说分享不是幸福的。

          C          Am
Just for fun, just for fun!
         F          G
Open Source, Source Open!
          C          Am
Just for fun, just for fun。
         F          G
Open Source, Source Open!

        F          G        C          Am
不管 Richard Stallman,还是 Linus Torvald's
         F          Dm
我们注定  追随 自由与开源,
        F          G
那永不熄灭的光。
          C          Am
Code in freedom,  Code in freedom
          F          G
Open Source, Source Open!
          C          Am
Code in freedom,  Code in freedom
          F          G
Open Source, Source Open

Code in freedom......

#源力崛起计划系列活动 

作词作曲同为 2022年12月2日,一气呵成,互为知音,高效配合

12月2日,Richard 居家服弹唱版

《开源之歌》的缘起

错过了第一期的 Richard,当听到读书会还有音乐时,就赶在最后一天报名了油条咖啡共读会。并像往常一样在群里随口说了一句,如果有人能写个开源之歌,他就可以来谱曲并为大家献唱一首开源之歌。热爱开源和音乐的他,每次在这两个关键词相遇时,都会心神向往。

不同于往常无人响应,这回,我咧嘴笑着回了一句,“这个可以有”。于是,在午后的一杯咖啡之下,伴随着窗外滴滴答答的的雨声,天气寒冷,心怀热望,就有了这首《开源之歌》的歌词。而 Richard 果然妙曲生花,在当晚一气呵成,就把曲编了出来,并顺势演绎了这个深夜弹唱的初版。

终于,《开源之歌》就这样诞生啦。

以此,致敬每一位开源人!

作者丨狄安

编辑丨梅嘉宜

相关阅读 | Related Reading

290a3373c117fc66113602e891b7640b.pngA Crowded Open Source Crossroads: COSCon'22 Summary & Stats

8559689b3e0857dac67350ba927f8ed9.pngGPL协议允许你怎么卖?

c257bc52c1dc7c960141a077079b5bed.png共创中国开源年度报告,期待您的声音


开源社简介

开源社成立于 2014 年,是由志愿贡献于开源事业的个人成员,依 “贡献、共识、共治” 原则所组成,始终维持厂商中立、公益、非营利的特点,是最早以 “开源治理、国际接轨、社区发展、开源项目” 为使命的开源社区联合体。开源社积极与支持开源的社区、企业以及政府相关单位紧密合作,以 “立足中国、贡献全球” 为愿景,旨在共创健康可持续发展的开源生态,推动中国开源社区成为全球开源体系的积极参与及贡献者。

2017 年,开源社转型为完全由个人成员组成,参照 ASF 等国际顶级开源基金会的治理模式运作。近八年来,链接了数万名开源人,集聚了上千名社区成员及志愿者、海内外数百位讲师,合作了近百家赞助、媒体、社区伙伴。

45b4783a1c241f4eb7dbc80ad421b798.gif

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值