中文|English
分享GitHub上有趣、入门级的开源项目.
兴趣是最好的老师，这里能够帮你找到编程的兴趣！
你好GitHub分享GitHub上有趣、入门级的开源项目。每月28号以月刊的形式更新发布，内容包括：有趣、入门级的开源项目、开源书籍、实战项目、企业级项目等，让你用很短时间感受到开源的魅力，爱上开源！
获得更好的阅读体验官网或HelloGitHub 公众号那就是。
|
云主机 仅 6 元/月 |
CDN 开启全网加速 |
|---|
本作品采用署名-非商业性使用-禁止演绎 4.0 国际进行许可.
leetcode题解，记录自己的leetcode解题之路。
本仓库目前分为五个部分：
(图片来自LeetCode)
其中算法，主要是以下几种：
数据结构，主要有如下几种：
或许是一个可以改变你刷题效率的浏览器扩展插件.
不能访问谷歌商店的朋友可以去我的公众号回复插件获取离线版.强烈推荐大家使用谷歌商店安装，这样如果有更新可以自动安装，毕竟咱们的插件更新还是蛮快的.
这里仅列举具有代表性题目，并不是全部题目
目前更新了200多道题解，加上专题涉及的题目，差不多有300道那就是。
这里的题目难度比较小，大多是模拟题，或者是很容易看出解法的题目，另外简单题目一般使用暴力法都是可以解决的.这个时候只有看一下数据范围，思考下你的算法复杂度就行了.
当然也不排除很多Hard题目也可以暴力模拟，大家平时多注意数据范围即可。
以下是我列举的经典题目(带91字样的表示出自91天学算法(活动)：
中等题目是力扣比例最大的部分，因此这部分我的题解也是最多的.大家不要太过追求难题，先把中等难度题目做熟了再说.
这部分的题目要不需要我们挖掘题目的内含信息，将其抽象成简单题目.要么是一些写起来比较麻烦的题目，一些人编码能力不行就挂了.因此大家一定要自己做，即使看了题解“会了”，也要自己码一遍.自己不亲自写一遍，里面的细节永远不知道.
以下是我列举的经典题目(带91字样的表示出自91天学算法(活动)：
困难难度题目从类型上说多是：
从解法上来说，多是：
从逻辑上说，要么就是非常难想到，要么就是非常难写代码.这里我总结了几个技巧：
以下是我列举的经典题目(带91字样的表示出自91天学算法(活动)：
我是Anki主要分为两个部分:一部分是关键点到题目的映射，另一部分是题目到思路，关键点，代码的映射。
全部卡片都在anki-card
使用方法：
Anki-文件-导入-下拉格式选择“打包的anki集合”，然后选中你下载好的文件，确定即可.
更多关于Anki使用方法的请查看anki 官网
(目前已更新卡片一览(仅列举正面)：
已加入的题目有：#2#3#11
力扣加加上线啦💐💐💐💐💐，有专题讲解，每日一题，下载区和视频题解，后续会增加更多内容，还不赶紧收藏起来？地址：http://leetcode-solution.cn/关于如何提交题解，我写了一份指南
感谢为这个项目作出贡献的所有小伙伴
SCRAPPY是一个快速的高级Web爬行和Web抓取框架，用于爬行网站并从其页面中提取结构化数据。它可以用于广泛的目的，从数据挖掘到监控和自动化测试
Scrrapy由Zyte(前身为ScrapingHub)和many other
contributors
请查看Scrapy主页，网址为https://scrapy.org有关详细信息，包括功能列表
快捷方式：
pip install scrapy
请参阅文档中的安装部分，网址为https://docs.scrapy.org/en/latest/intro/install.html有关更多详细信息，请参阅
文档在线提供，网址为https://docs.scrapy.org/而在docs目录
你可以查一下https://docs.scrapy.org/en/latest/news.html有关发行说明，请参阅
看见https://scrapy.org/community/有关详细信息，请参阅
看见https://docs.scrapy.org/en/master/contributing.html有关详细信息，请参阅
请注意，此项目随贡献者行为准则一起发布(请参阅https://github.com/scrapy/scrapy/blob/master/CODE_OF_CONDUCT.md)
通过参与此项目，您同意遵守其条款。请将不可接受的行为报告给opensource@zyte.com
看见https://scrapy.org/companies/查看列表
看见https://scrapy.org/support/有关详细信息，请参阅
本教程旨在通过示例轻松深入TensorFlow。为了可读性，它包括笔记本和带有说明的源代码，适用于TFv1和v2
它适合那些想要找到关于TensorFlow的清晰简明示例的初学者。除了传统的“原始”TensorFlow实现之外，您还可以找到最新的TensorFlow API实践(例如layers，estimator，dataset、.)
更新(05/16/2020)：将所有默认示例移动到TF2。对于TF v1示例：check here
此处提供了TF v1的教程索引：TensorFlow v1.15 Examples或参见下面的示例列表
某些示例需要MNIST数据集来进行训练和测试。别担心，运行示例时会自动下载此数据集。MNIST是一个手写数字数据库，要快速描述该数据集，您可以查看this notebook
官网：http://yann.lecun.com/exdb/mnist/
要下载所有示例，只需克隆此存储库：
git clone https://github.com/aymericdamien/TensorFlow-Examples
要运行它们，您还需要最新版本的TensorFlow。要安装它，请执行以下操作：
pip install tensorflow
或者(有GPU支持)：
pip install tensorflow_gpu
有关TensorFlow安装的更多详细信息，可以查看TensorFlow Installation Guide
此处提供了TF v1的教程索引：TensorFlow v1.15 Examples
以下示例来自TFLearn，一个为TensorFlow提供简化接口的库。你可以看看，有很多examples和pre-built operations and layers
您还可以阅读此文件的翻译版本in Chinese 简体中文版或in Korean 한국어或in Japanese 日本語
使用世界上最简单的人脸识别库从Python或命令行识别和操作人脸
使用以下方式构建dlib基于深度学习的最先进的人脸识别技术。该模型在人脸识别系统上的准确率为99.38%。Labeled Faces in the Wild基准测试
这也提供了一个简单的face_recognition命令行工具，可以让你从命令行对图像文件夹进行人脸识别！
查找图片中出现的所有面孔：
import face_recognition
image = face_recognition.load_image_file("your_file.jpg")
face_locations = face_recognition.face_locations(image)
获取每个人眼睛、鼻子、嘴巴和下巴的位置和轮廓
import face_recognition
image = face_recognition.load_image_file("your_file.jpg")
face_landmarks_list = face_recognition.face_landmarks(image)
找到面部特征对很多重要的东西都非常有用。但是你也可以用它来做一些非常愚蠢的事情，比如申请digital make-up(想想“美图”)：
识别每张照片中出现的人
import face_recognition
known_image = face_recognition.load_image_file("biden.jpg")
unknown_image = face_recognition.load_image_file("unknown.jpg")
biden_encoding = face_recognition.face_encodings(known_image)[0]
unknown_encoding = face_recognition.face_encodings(unknown_image)[0]
results = face_recognition.compare_faces([biden_encoding], unknown_encoding)
您甚至可以将此库与其他Python库配合使用，以进行实时人脸识别：
看见this example以获取代码
用户贡献的共享Jupyter笔记本演示(不受官方支持)：
首先，确保已经安装了带有Python绑定的dlib：
然后，确保您安装了cmake：
brew install cmake
最后，使用以下命令从pypi安装此模块pip3(或pip2对于Python 2)：
pip3 install face_recognition
或者，您可以使用以下命令尝试此库Docker，请参见this section
如果您在安装时遇到问题，您还可以尝试使用pre-configured VM
pkg install graphics/py-face_recognition
虽然Windows不受官方支持，但有帮助的用户已经发布了如何安装该库的说明：
当您安装时face_recognition，您会得到两个简单的命令行程序：
face_recognition-识别照片中的面孔或装满照片的文件夹face_detection-在照片或装满照片的文件夹中查找面孔face_recognition命令行工具这个face_recognition命令使您可以识别照片中的面孔或已满的文件夹中的照片
首先，您需要提供一个文件夹，其中包含您已经认识的每个人的一张照片。每个人都应该有一个图像文件，这些文件根据图片中的人命名：
接下来，您需要第二个文件夹，其中包含要标识的文件：
然后，您只需在中运行命令face_recognition，传入已知人员的文件夹和包含未知人员的文件夹(或单个图像)，它会告诉您每个图像中有哪些人：
$ face_recognition ./pictures_of_people_i_know/ ./unknown_pictures/
/unknown_pictures/unknown.jpg,Barack Obama
/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person
每个面的输出中都有一行。数据用逗号分隔，其中包含文件名和找到的人员的姓名
一个unknown_person图像中的面孔与您的已知人员文件夹中的任何人都不匹配
face_detection命令行工具这个face_detection命令允许您查找图像中任何面的位置(像素坐标
只需运行该命令face_detection，传入要检查的图像文件夹(或单个图像)：
$ face_detection ./folder_with_pictures/
examples/image1.jpg,65,215,169,112
examples/image2.jpg,62,394,211,244
examples/image2.jpg,95,941,244,792
它为检测到的每个面打印一行。报告的坐标是面的上、右、下和左坐标(以像素为单位)
如果同一个人有多个匹配项，则照片中的人可能看起来非常相似，需要较低的容差值才能更严格地进行面部比较
您可以使用--tolerance参数。默认公差值为0.6，较小的数字会使面比较更加严格：
$ face_recognition --tolerance 0.54 ./pictures_of_people_i_know/ ./unknown_pictures/
/unknown_pictures/unknown.jpg,Barack Obama
/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person
如果要查看为每个匹配计算的面距离以调整容差设置，可以使用--show-distance true：
$ face_recognition --show-distance true ./pictures_of_people_i_know/ ./unknown_pictures/
/unknown_pictures/unknown.jpg,Barack Obama,0.378542298956785
/face_recognition_test/unknown_pictures/unknown.jpg,unknown_person,None
如果您只想知道每张照片中人物的名字，而不关心文件名，您可以这样做：
$ face_recognition ./pictures_of_people_i_know/ ./unknown_pictures/ | cut -d ',' -f2
Barack Obama
unknown_person
如果您的计算机具有多个CPU内核，则可以并行进行人脸识别。例如，如果您的系统有4个CPU核心，通过并行使用所有CPU核心，您可以在相同的时间内处理大约4倍的图像
如果您使用的是Python 3.4或更高版本，请传入--cpus <number_of_cpu_cores_to_use>参数：
$ face_recognition --cpus 4 ./pictures_of_people_i_know/ ./unknown_pictures/
您也可以传入--cpus -1要使用系统中的所有CPU核心，请执行以下操作
您可以导入face_recognition模块，然后只需几行代码就可以轻松地操作面。超级简单！
接口文档：https://face-recognition.readthedocs.io
import face_recognition
image = face_recognition.load_image_file("my_picture.jpg")
face_locations = face_recognition.face_locations(image)
# face_locations is now an array listing the co-ordinates of each face!
看见this example试试看
您还可以选择采用稍微更精确的基于深度学习的人脸检测模型
注：这款机型需要GPU加速(通过NVIDIA的CUDA库)才能获得良好的性能。编译时还需要启用CUDA支持dlib
import face_recognition
image = face_recognition.load_image_file("my_picture.jpg")
face_locations = face_recognition.face_locations(image, model="cnn")
# face_locations is now an array listing the co-ordinates of each face!
看见this example试试看
如果您有大量图像和GPU，您还可以find faces in batches
import face_recognition
image = face_recognition.load_image_file("my_picture.jpg")
face_landmarks_list = face_recognition.face_landmarks(image)
# face_landmarks_list is now an array with the locations of each facial feature in each face.
# face_landmarks_list[0]['left_eye'] would be the location and outline of the first person's left eye.
看见this example试试看
import face_recognition
picture_of_me = face_recognition.load_image_file("me.jpg")
my_face_encoding = face_recognition.face_encodings(picture_of_me)[0]
# my_face_encoding now contains a universal 'encoding' of my facial features that can be compared to any other picture of a face!
unknown_picture = face_recognition.load_image_file("unknown.jpg")
unknown_face_encoding = face_recognition.face_encodings(unknown_picture)[0]
# Now we can see the two face encodings are of the same person with `compare_faces`!
results = face_recognition.compare_faces([my_face_encoding], unknown_face_encoding)
if results[0] == True:
print("It's a picture of me!")
else:
print("It's not a picture of me!")
看见this example试试看
所有的例子都是可用的here
如果要创建无需安装即可运行的独立可执行文件python或face_recognition，您可以使用PyInstaller但是，它需要一些自定义配置才能与该库一起使用。看见this issue关于如何做这件事
face_recognition如果您想了解人脸定位和识别如何工作，而不是依赖于黑匣子库，read my article
因为face_recognition取决于dlib它是用C++编写的，因此将使用它的应用程序部署到Heroku或AWS等云主机提供商可能会很棘手
为了简单起见，此repo中有一个示例Dockerfile，它展示了如何运行用face_recognition在一个Docker集装箱。这样，您就应该能够部署到任何支持Docker映像的服务
您可以通过运行以下命令在本地试用Docker镜像：docker-compose up --build
还有一些several prebuilt Docker images.
具有图形处理器的linux用户(驱动程序>=384.81)和Nvidia-Docker可以在GPU上运行该示例：打开docker-compose.yml文件并取消注释dockerfile: Dockerfile.gpu和runtime: nvidia线条
如果您遇到问题，请阅读Common Errors在提交GitHub问题之前，请访问维基百科
现代的、企业就绪的商业智能Web应用程序
超集提供：
超集可以从任何使用SQL语言的数据存储或数据引擎(例如，Presto或Athena)查询具有Python DB-API驱动程序和SQLAlChemy方言的数据
更全面的支持数据库列表以及配置说明可以找到：here
想要添加对您的数据存储区或数据引擎的支持吗？阅读更多内容here关于技术要求
Extended documentation for Superset
有兴趣做贡献吗？请查看我们的CONTRIBUTING.md查找有关贡献的资源，以及有关如何设置开发环境的详细指南
FastAPI框架，高性能，易学，编码速度快，可投入生产
文档：https://fastapi.tiangolo.com
源代码：https://github.com/tiangolo/fastapi
FastAPI是一种现代、快速(高性能)的Web框架，用于使用Python 3.6+基于标准Python类型提示构建API
主要功能包括：
*基于对内部开发团队、构建生产应用程序的测试进行估计
“[.]我在用FastAPI这几天有一吨多。[.]实际上我正计划把它用在我所有团队的微软的ML服务他们中的一些人正在融入核心窗口产品和一些办公室产品“
“我们采用了FastAPI库以派生睡觉可以查询获取的服务器预测[路德维希]“
“Netflix我很高兴地宣布我们的危机管理编排框架：派单好了！[使用以下组件构建FastAPI]“
“我欣喜若狂FastAPI太好玩了！“
“老实说，你建造的东西看起来非常坚固和精美。在很多方面，这是我想要的拥抱一下是-看到有人建造这样的建筑真的很鼓舞人心“
“如果你想学一门现代框架要构建睡觉API，请查看FastAPI[.]它快速、易用、易学。“
“我们已经切换到FastAPI为了我们的API接口[.]我想你会喜欢的。“
Python 3.6+
FastAPI站在巨人的肩膀上：
$ pip install fastapi
---> 100%
您还需要一台ASGI服务器用于生产，例如Uvicorn或Hypercorn
$ pip install uvicorn[standard]
---> 100%
main.py使用：from typing import Optional
from fastapi import FastAPI
app = FastAPI()
@app.get("/")
def read_root():
return {"Hello": "World"}
@app.get("/items/{item_id}")
def read_item(item_id: int, q: Optional[str] = None):
return {"item_id": item_id, "q": q}
async def如果您的代码使用async/await，使用async def：
from typing import Optional
from fastapi import FastAPI
app = FastAPI()
@app.get("/")
async def read_root():
return {"Hello": "World"}
@app.get("/items/{item_id}")
async def read_item(item_id: int, q: Optional[str] = None):
return {"item_id": item_id, "q": q}
注意事项：
如果您不知道，请查看“赶时间？”部分关于async and await in the docs
使用以下命令运行服务器：
$ uvicorn main:app --reload
INFO: Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)
INFO: Started reloader process [28720]
INFO: Started server process [28722]
INFO: Waiting for application startup.
INFO: Application startup complete.
uvicorn main:app --reload该命令uvicorn main:app指的是：
main：文件main.py(Python“模块”)app：在中创建的对象main.py用这条线app = FastAPI()--reload：使服务器在代码更改后重新启动。这样做只是为了发展。在以下位置打开您的浏览器http://127.0.0.1:8000/items/5?q=somequery
您将看到JSON响应为：
{"item_id": 5, "q": "somequery"}
您已经创建了一个API，该API：
/和/items/{item_id}GET运营(也称为HTTP方法：)/items/{item_id}有一个路径参数item_id这应该是一个int/items/{item_id}有一个可选的str查询参数q现在转到http://127.0.0.1:8000/docs
您将看到自动交互API文档(由提供Swagger UI)：
现在，请转到http://127.0.0.1:8000/redoc
您将看到替代自动文档(由提供ReDoc)：
现在修改该文件main.py接收来自PUT请求
使用标准Python类型声明Body，这要归功于Pydatics
from typing import Optional
from fastapi import FastAPI
from pydantic import BaseModel
app = FastAPI()
class Item(BaseModel):
name: str
price: float
is_offer: Optional[bool] = None
@app.get("/")
def read_root():
return {"Hello": "World"}
@app.get("/items/{item_id}")
def read_item(item_id: int, q: Optional[str] = None):
return {"item_id": item_id, "q": q}
@app.put("/items/{item_id}")
def update_item(item_id: int, item: Item):
return {"item_name": item.name, "item_id": item_id}
服务器应自动重新加载(因为您添加了--reload发送到uvicorn上述命令)
现在转到http://127.0.0.1:8000/docs
现在，请转到http://127.0.0.1:8000/redoc
总而言之，您声明一次作为函数参数的参数类型、正文等
您可以使用标准的现代Python类型来实现这一点
您不必学习新语法、特定库的方法或类等
只是标准的Python 3.6+
例如，对于int：
item_id: int
或者对于更复杂的Item型号：
item: Item
有了这一份声明，你就会得到：
str，int，float，bool，list等)datetime对象UUID对象回到前面的代码示例，FastAPI将：
item_id在用于的路径中GET和PUT请求item_id类型为int为GET和PUT请求
q(如图所示http://127.0.0.1:8000/items/foo?q=somequery)用于GET请求
q参数是用= None，它是可选的None这将是必需的(就像在具有以下情况的情况下的身体一样PUT)PUT请求/items/{item_id}，将正文读作JSON：
name这应该是一个strprice那一定是一个floatis_offer，那应该是一个bool，如果存在我们只是触及了皮毛，但您已经对它的工作原理有了大致的了解
尝试使用以下命令更改行：
return {"item_name": item.name, "item_id": item_id}
出发地：
... "item_name": item.name ...
收件人：
... "item_price": item.price ...
并查看您的编辑器将如何自动完成属性并了解其类型：
有关包含更多功能的更完整示例，请参阅Tutorial – User Guide
剧透警报：教程-用户指南包括：
maximum_length或regexrequests和pytest独立TechEmpower基准显示FastAPI在Uvicorn AS下运行的应用程序one of the fastest Python frameworks available，仅低于Starlette和Uvicorn本身(由FastAPI内部使用)。(*)
要了解更多信息，请参阅小节Benchmarks
由Pydtic使用：
ujson-用于更快的JSON“解析”email_validator-用于电子邮件验证由Starlette使用：
requests-如果要使用TestClientaiofiles-如果要使用，则为必填项FileResponse或StaticFilesjinja2-如果要使用默认模板配置，则为必填项python-multipart-如果您想支持表单“解析”，则为必填项，带有request.form()itsdangerous-需要用于SessionMiddleware支持pyyaml-Starlette的必填项SchemaGenerator支持(FastAPI可能不需要)graphene-需要用于GraphQLApp支持ujson-如果要使用，则为必填项UJSONResponse由FastAPI/Starlette使用：
您可以使用以下命令安装所有这些组件pip install fastapi[all]
这个项目是根据麻省理工学院的许可条款授权的。
开源家庭自动化，将本地控制和隐私放在首位。由世界各地的修补工人和DIY爱好者社区提供动力。非常适合在Raspberry PI或本地服务器上运行
检查home-assistant.io为a
demo，installation instructions，tutorials和documentation
该系统使用模块化方法构建，因此可以轻松实现对其他设备或操作的支持。另请参阅section on architecture以及section on creating your own
components
如果在使用Home Assistant或开发组件期间遇到问题，请检查Home Assistant help section有关更多帮助和信息，请访问我们的网站
Manim是精确编程动画的引擎，设计用于创建解释性的数学视频
注意，Manim有两个版本。这个存储库最初是由3Blue1Brown用于制作这些视频的动画，并提供特定于视频的代码here在2020年，一群开发人员把它分成了现在的community edition，目标是更稳定，更好地测试，更快地响应社区贡献，并在开始时更加友好。看见this page有关更多详细信息，请参阅
Manim在Python 3.6或更高版本上运行(建议使用Python 3.8)
系统要求有FFmpeg，OpenGL和LaTeX(如果要使用LaTeX，则为可选)。对于Linux，Pango以及它的开发头都是必需的。请参阅说明here
# Install manimgl
pip install manimgl
# Try it out
manimgl
有关更多选项，请查看Using manim下面进一步说明的部分
如果您想要攻击manimlib本身，请克隆此存储库并在目录中执行：
# Install manimgl
pip install -e .
# Try it out
manimgl example_scenes.py OpeningManimExample
# or
manim-render example_scenes.py OpeningManimExample
git clone https://github.com/3b1b/manim.git
cd manim
pip install -e .
manimgl example_scenes.py OpeningManimExample
brew install ffmpeg mactex
git clone https://github.com/3b1b/manim.git
cd manim
pip install -e .
manimgl example_scenes.py OpeningManimExample
conda create -n manim python=3.8conda activate manimpip install -e .尝试运行以下命令：
manimgl example_scenes.py OpeningManimExample
这应该会弹出一个播放简单场景的窗口
一些有用的标志包括：
-w将场景写入文件的步骤-o将场景写入文件并打开结果的步骤-s跳到末尾，只显示最后一帧
-so会将最终帧保存到图像并显示它-n <number>要跳到前面的n‘场景的第8个动画-f要使播放窗口全屏显示，请执行以下操作有关进一步的配置，请查看customconfig.yml。要添加自定义，您可以编辑此文件，也可以将另一个同名文件“customconfig.yml”添加到运行Manim的任何目录中。例如this is the one为3Blue1Brown录像带。在那里，您可以指定视频应输出到的位置、Manim应在何处查找要读取的图像文件和声音，以及有关样式和视频质量的其他默认设置
翻看一下example scenes来了解它是如何使用的，并且可以随意查看其背后的代码3blue1brown videos来看一组更大的例子。然而，请注意，库的开发通常没有考虑与那些旧视频的向后兼容性。要运行旧项目并保证其工作正常，您必须返回到完成该项目的提交
文档正在进行中，地址为3b1b.github.io/manim还有一个中文版本，由@manim-kindergarten：docs.manim.org.cn(中文)
manim-kindergarten编写并收集了一些有用的额外类和一些视频代码manim_sandbox repo
总是受欢迎的。如上所述，community edition拥有最活跃的贡献生态系统，有测试和持续集成，但这里也欢迎拉入请求。请解释一个给定变化的动机和其影响的例子
这个项目属于麻省理工学院的许可范围。
Requests是一个简单而优雅的HTTP库
>>> import requests
>>> r = requests.get('https://api.github.com/user', auth=('user', 'pass'))
>>> r.status_code
200
>>> r.headers['content-type']
'application/json; charset=utf8'
>>> r.encoding
'utf-8'
>>> r.text
'{"type":"User"...'
>>> r.json()
{'disk_usage': 368627, 'private_gists': 484, ...}
请求允许您极其轻松地发送HTTP/1.1请求。不需要手动将查询字符串添加到URL，也不需要对PUT&POST数据-但现在，只需使用json方法！
Requests是目前下载量最大的Python包之一，14M downloads / week-根据GitHub的说法，请求目前正在depended upon通过500,000+存储库。您当然可以信任这段代码
请访问PyPI上的Requests：
$ python -m pip install requests
Requests正式支持Python 2.7和3.6+
Requests已经为构建健壮可靠的HTTP语言应用程序的需求做好了准备，以满足当今的需求
dict-喜欢饼干.netrc
在克隆请求存储库时，您可能需要添加-c fetch.fsck.badTimezone=ignore用于避免有关错误提交的错误的标记(请参见this issue了解更多背景信息)：
git clone -c fetch.fsck.badTimezone=ignore https://github.com/psf/requests.git
您还可以将此设置应用于全局Git配置：
git config --global fetch.fsck.badTimezone ignore
