Git 提交代码到 GitHub



Git 提交代码到 GitHub 有两种情况:
(1)第1种:本地没有 Git 仓库,我们可以直接将远程仓库clone到本地。通过clone命令创建的本地仓库,其本身就是一个 Git 仓库了,不用再进行init初始化操作,而且自动关联远程仓库。我们只需要在这个仓库进行修改或者添加等操作,然后commit即可。
(2)第2种:本地有 Git 仓库,并且我们已经进行了多次commit操作。

下面现讲第1种情况:

1、进入 GitHub 项目

首先,进入 GitHub 个人主页:单击esp8266_aliyun_mqtt_app项目:
在这里插入图片描述

2、复制项目链接

进入esp8266_aliyun_mqtt_app项目后,单击Clone or download,复制上图所示的地址链接。
在这里插入图片描述

3、clone仓库到本地

进入我们准备存储 Git 仓库的目录,例如下面我们新建的GitRepo目录, 从此目录进入 Git Bash
输入git clone https://github.com/liaojiancheng180/esp8266_aliyun_mqtt_app.git命令,其中clone后面所接的链接是刚刚复制的远程仓库的地址。
在这里插入图片描述
如上图所示,我们已经把远程的esp8266_aliyun_mqtt_app仓库clone到本地。
下面,我们看看clone到本地的仓库内容与远程仓库的内容,是否完全一致:
在这里插入图片描述

4、增加内容 并提交 本地仓库

(1)把esp8266_aliyun_mqtt_app项目的主要内容aliyun_mqtt_app目录复制过来:
在这里插入图片描述
(2)输入git status命令查看仓库状态,显示有一个aliyun_mqtt_app文件未被追踪,也就是刚刚复制过来的文件没有提交。
在这里插入图片描述
(3)先进行git add操作:git add aliyun_mqtt_app/操作;
再进行git commit操作:git commit -m "commit aliyun_mqtt_app folder"
在这里插入图片描述
(4)输入git log命令,查看仓库日志。
在这里插入图片描述
(5)输入git status命令,查看仓库状态:
在这里插入图片描述

5、本地仓库的内容push到远程仓库

(1)输入git push origin master命令,第一次向远程仓库提交代码的时候,需要输入账号密码进行验证,验证成功后,显示如下结果:
在这里插入图片描述
(2)刷新 GitHub 中esp8266_aliyun_mqtt_app仓库,如图所示,我们已经将项目(仓库)中新添加的内容提交到了远程仓库。
在这里插入图片描述
(3)返回 GitHub 个人主页,esp8266_aliyun_mqtt_app仓库的概要中新增了一个C语言的标记。对于这个仓库语言的标记,其来源有两个,一是在我们创建仓库时就指定语言;二是在我们提交或者新建代码后由 GitHub 自动识别该语言。
在这里插入图片描述

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