linux环境下git的使用

这两天学习了git的使用方法,现在做一个简单的回顾。

1.git init初始化版本库

在最开始创建一个文件夹的时候,需要将其初始化之后才能进行使用。如果不进行初始化,会显示当前文件夹并不是一个git仓库的错误信息,只需要输入git init将其初始化之后,就可以正常使用了,以下是使用样例。

2.git add <filename>,添加某个文件到暂存区

在编辑好了某个文件后,可以通过git add +文件名的方式,将文件添加到暂存区。使用git add .的命令,可以将文件夹下所有的文件都添加到暂存区暂存区只是将文件进行暂存,提交到版本库还有其他的操作。以下是一个简单的git结构。

3.git commit –m  ‘描述信息’   将暂存区的代码提交到仓库,生成一个版本

每一次的提交都会生成一个版本,记录该版本是谁在什么时候提交的。这能追溯到具体提交的人,由这个人对本次提交的代码负责。

4.git status查看工作区和暂存区的状态

使用了这个命令之后,可以查看暂存区中的文件信息,用于查看哪些文件被暂存到了,以及哪些文件没有被git tracked到,需要注意的是git status命令并不会显示已经提交到版本库中的文件信息,以下是使用示例。

可以注意到,在使用了git add main.c这个命令后,工作区中出现了这个文件。在进行了git commit -m 'XXX'进行提交之后,暂存区就没有文件了。

 

5.git checkout -- <filename>使用暂存区的文件覆盖工作区的文件

在将某个需要修改的文件提交到暂存区后,进行修改代码时,可能某个部分设计得有问题,需要重新进行设计。这时候可以通过git checkout -- XXX 的方式,将工作区中的文件替换为暂存区中的文件。

举个简单的例子:这是经过修改了之后文件。

6.git reflog查看简要的日志信息/git log显示详细的日志信息

在详细的日志信息中,会把某个人在哪个时间提交的这个代码也显示出来,便于追溯负责这块代码的人。

7.git reset HEAD <filename> 从暂存区撤回已添加的文件

从示例中可以看到,原本test_git_reset.c文件处于暂存区中。在经过该操作后,再次查看暂存区的状态,显示的是无法跟踪到文件test_git_reset.c,这时就说明文件已从暂存区撤回。

8.git branch 查看所有的分支以及当前自己处于哪一个分支和git branch XXX 创建一个分支

9.git checkout XXX 转到某分支下

10.git checkout master切回到主分支

master是默认的主分支,所以用git branch master就可以切回主分支。

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