新闻详情

新闻详情

首页 / 资讯中心 / 详情

如何使用Gradescope与GitHub协作者提交modern-software-dev-assignments作业:完整新手指南

发布时间:2026/11/5 1:45:21来源:尧图网络
如何使用Gradescope与GitHub协作者提交modern-software-dev-assignments作业:完整新手指南
如何使用Gradescope与GitHub协作者提交modern-software-dev-assignments作业完整新手指南【免费下载链接】modern-software-dev-assignmentsAssignments for CS146S: The Modern Software Dev (Stanford University Fall 2026/2025)项目地址: https://gitcode.com/GitHub_Trending/mo/modern-software-dev-assignments本指南面向新手讲解如何在 Stanford 课程项目modern-software-dev-assignmentsCS146S: The Modern Software Developer 的作业仓库中正确配置开发环境、添加GitHub 协作者、将代码推送到远程仓库并最终通过Gradescope 提交作业的全流程帮助你一次通过、避免常见扣分坑。一、先看懂整个提交流程 这个仓库的作业提交逻辑可以概括为三步克隆仓库并配置本地环境——所有作业都基于同一份代码基线添加 GitHub 协作者——课程要求把brentju和febielin两位助教加为协作者否则评分者无法拉取你的代码推送代码并通过 Gradescope 提交——Gradescope 只记录提交入口真正评分的是远程仓库里的代码。每一步的官方依据都写在仓库里例如 week4/assignment.md 与 week6/assignment.md 的 Submission Instructions 小节以及 week2/writeup.md 中的 SUBMISSION INSTRUCTIONS。二、一键克隆获取作业仓库在终端中执行以下命令克隆仓库这是全文唯一需要的仓库地址git clone https://gitcode.com/GitHub_Trending/mo/modern-software-dev-assignments随后在课程要求的平台上fork复刻一份到你自己的账号并把 fork 后的地址设为本地远程仓库之后所有提交都推送到你自己的 fork——这是协作者能访问你代码的前提。三、快速配置本地环境Python 3.12 Poetry仓库根目录的 README.md 给出了标准环境配置按顺序执行即可安装Anaconda并新建名为cs146s的 Python 3.12 环境安装Poetrycurl -sSL https://install.python-poetry.org | python -在仓库根目录运行poetry install --no-interaction安装全部依赖。配置成功后可以对照 week1/assignment.md 跑通第一周的提示词练习确认本地环境没有问题。四、添加GitHub协作者最容易被忽略的一步 ⚠️这是新手最常踩的坑代码推上去了但没加协作者评分者无权拉取。操作方法在你的 fork 仓库页面操作进入仓库的Settings → Collaborators页面搜索并添加brentju和febielin两个账号等待对方接受邀请确认两人出现在协作者列表中后再提交作业。该要求出现在 week4/assignment.md 与 week6/assignment.md 的提交说明中原文为 Make sure youve added both brentju and febielin as collaborators on your assignment repository。 技巧加完协作者后可以先请对方或自己开一个干净终端尝试 clone 你的仓库验证权限确实生效。五、提交前自检清单3个必查项 ✅在点击 Gradescope 提交之前逐条核对检查项说明依据文件无遗留 TODO全局搜索TODO确认全部完成week2/writeup.md完成 writeup填写姓名、ID、耗时与每个练习的 Prompt 记录week2/writeup.md代码已推送所有改动都已git push到远程仓库week4/assignment.md其中 writeup 要求对每个练习附上使用的 Prompt 和生成代码位置示例模板见 week2/writeup.md 的 YOUR RESPONSES 小节。六、Gradescope提交最后一步确认远程仓库为最新状态git push无新提交提示打开课程对应的Gradescope作业页选择GitHub 提交方式填入你的 fork 仓库地址与分支通常为main提交后回到仓库确认提交时间戳避免截止后修改。Gradescope 会定时从你的 fork 拉取代码评分因此提交之后继续 push 新代码可能生效也可能被锁定稳妥做法是截止前最后一次 push 再提交。七、常见问题速答 QGradescope 拉不到我的代码通常是没加协作者或分支名不对优先检查第四节的协作者配置。Q需要把 week8 的多个技术栈项目都提交吗是的week8/assignment.md 要求week8/下有 3 个项目文件夹每个都要带README.md并附 writeup.md 说明。Q修改了模型参数算不算作弊注意 week1/assignment.md 的提醒只修改标注TODO的提示词部分不要改动模型配置。按以上六步操作你就能完整走完 modern-software-dev-assignments 作业的 Gradescope 提交流程配置环境 → 添加协作者 → 自检推送 → 提交稳稳避开新手三大坑。【免费下载链接】modern-software-dev-assignmentsAssignments for CS146S: The Modern Software Dev (Stanford University Fall 2026/2025)项目地址: https://gitcode.com/GitHub_Trending/mo/modern-software-dev-assignments创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/4 15:56:54

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/4 22:55:41

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/4 17:01:23

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/4 12:33:12

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/4 1:25:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/4 3:51:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉