后端即服务：Supabase 助你快速开发 | 开源日报 No.43

josephmisiti/awesome-machine-learning[1]

Stars: 60.3k License: NOASSERTION

这个项目是一个精选的机器学习框架、库和软件列表，按语言分类。它提供了各种功能强大的工具和库，以帮助开发者在不同编程语言中进行机器学习任务。该项目主要有以下特点和优势：

• 提供多种常见编程语言下的机器学习框架、库和软件
• 支持通用目标的机器学习算法
• 包括计算机视觉、自然语言处理等领域相关工具与库

supabase/supabase[2]

Stars: 56.9k License: Apache-2.0

Supabase 是一个开源的 Firebase 替代品，使用企业级开源工具构建了 Firebase 的功能。其主要功能包括：

• 托管 Postgres 数据库
• 身份验证和授权
• 自动生成 API (支持 REST 和 GraphQL)
• 实时订阅
• 函数 (包括数据库函数和边缘函数)
• 文件存储

该项目的核心优势在于提供与 Firebase 类似的开发者体验，并且具有以下关键特点：

• 使用成熟可靠、性能强大的对象关系型数据库系统 PostgreSQL。
• 支持实时数据更新，通过 Elixir 服务器监听 PostgreSQL 中插入、更新和删除操作并以 JSON 格式广播给客户端。
• 将你现有的 PostgreSQL 直接转换为 RESTful API 或 GraphQL API，无需额外编写代码。
• 提供文件管理服务，并利用 Postgres 来进行权限管理。
• 完善文档及社区支持。

kunal-kushwaha/DSA-Bootcamp-Java[3]

Stars: 13.3k License: NOASSERTION

这个是一个 DSA (数据结构与算法) 和面试准备的训练营材料，Youtube 上有对应的视频课程。

opentofu/opentofu[4]

Stars: 9.0k License: MPL-2.0

OpenTofu 是一个开源工具，用于安全高效地构建、更改和版本化基础设施。它可以管理现有的流行服务提供商以及自定义内部解决方案。

• 基础设施即代码：使用高级配置语法描述基础设施，使得数据中心的蓝图能够像代码一样进行版本控制，并且可以共享和重复使用。
• 执行计划：OpenTofu 在 “规划” 阶段生成执行计划，执行计划显示了当您调用 apply 时 OpenTofu 将执行的操作。这使您可以避免在 OpenTofu 操纵基础架构时出现任何意外。
• 资源图谱：OpenTofu 会构建所有资源之间的关系图，并并行化任何非依赖资源的创建和修改。因此，OpenTofu 尽可能高效地构建基础设施，并且允许运维人员深入了解其基础设施中的依赖关系。
• 变更自动化：只需要较少的人工交互即可将复杂的变更集应用到您的基础架构。借助前面提到过的执行计划和资源图谱，您可以准确知道 OpenTofo 将按照何种顺序对哪些内容做出何种变更，从而避免许多可能的人为错误。

krishnaik06/The-Grand-Complete-Data-Science-Materials[5]

Stars: 1.2k License: GPL-2.0

这个项目是一个完整的数据科学指南，提供了各种视频和材料。主要功能包括：

• 提供 Python、统计学和 SQL 等方面的教程
• 提供 Git 和 Github 使用教程
• 包含特征工程、特征选择以及探索性数据分析 (EDA) 等内容的教程
• 介绍机器学习算法，并提供深度学习与自然语言处理 (NLP)、MLOps 相关内容的详细讲解。

该项目具有以下核心优势：

• 提供丰富多样的视频资源，涵盖了从基础知识到高级技术应用全方位覆盖；
• 涉及领域广泛，包括 Python 编程、统计学、数据库操作以及机器/深度学习等；

InternLM/lmdeploy[6]

Stars: 1.1k License: Apache-2.0

LMDeploy 是一个用于压缩、部署和提供 LLM (Language Model) 的工具包，由 MMRazor 和 MMDeploy 团队开发。它具有以下核心功能：

• 高效推理引擎 (TurboMind)：基于 FasterTransformer 实现了高效的推理引擎 TurboMind，在 NVIDIA GPU 上支持 LLaMA 及其变种模型的推理。
• 交互式推理模式：通过缓存多轮对话过程中注意力机制的 k/v 值，记住对话历史，避免重复处理历史会话。
• 多 GPU 模型部署和量化：提供全面的模型部署和量化支持，并在不同规模上进行验证。
• 持久批次推断 (Persistent Batch Inference)：进一步优化了模型执行效率。

相关链接

[1]

josephmisiti/awesome-machine-learning: https://github.com/josephmisiti/awesome-machine-learning

[2]

supabase/supabase: https://github.com/supabase/supabase

[3]

kunal-kushwaha/DSA-Bootcamp-Java: https://github.com/kunal-kushwaha/DSA-Bootcamp-Java

[4]

opentofu/opentofu: https://github.com/opentofu/opentofu

[5]

krishnaik06/The-Grand-Complete-Data-Science-Materials: https://github.com/krishnaik06/The-Grand-Complete-Data-Science-Materials

[6]

InternLM/lmdeploy: https://github.com/InternLM/lmdeploy