工作错题本,持久更新

20210519记录:分支问题
起因:

一个月前 由于合并请求时电脑输入法没有切换至英文,在中文状态下输入要合并到的分支,在合并时要合并的分支没有转换成功。

导致:

将自己的开发分支直接干到了master🥲
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
⚠️:看到了吗🥲🥲🥲 into master,然而 我的项目组组长也没有注意,直接就帮我合了,这样就成了一个月后代码冲突事件的帮凶😫😫。
当时:合完代码我就像往常一样去重启服务,发现没有最新的代码然后我就很纳闷,切换分支查看代码确实是没有,于是又找到组长发现合到了master,不言而喻的我们背脊骨一凉🥶,我干了什么😰。于是组长马上解决,revert了代码。。。。。,“没事,解决了,怪我,我也是没注意”,组长笑着对我说,而我😥😥😥😥😥😥就回去了。

later…

由于我当时发出合并请求的不止一个中心,两个,还都是组长脾气不太好的。
首次冒头,产品中心出现了合并代码的冲突,有个人不小心把我之前的代码弄丢了,我当时还很气愤😠,“是谁,打死他”。最后发现导致这个的是因为我一个月前把代码合并到master了,虽然revert了但是导致master分支版本是最新的高于其他分支,然后他们拉分支都是从master拉的(但我不知道为什么revert后代码还存在,可能是当时revert没成功。)在自己的分支上开发完之后,也携带者我当时版本的代码一并合到了dev,test或者其他分支,由于当时master上我的代码在我的分支上又经过了很多修改,我优先合到dev,所以他们的分支在合dev的时候会有冲突,但是我的分支代码又没合到test,test上的又没有我的代码,他们的分支在合test的时候又携带了我的代码,所以就又冲突了。这里说明我的代码包含新开发的接口,也包含在原有的接口逻辑上进行更改的。
就在昨天有个人给我发了这么一句
在这里插入图片描述
当时没备注,我电脑上没聊天记录,我还在寻思这谁呢,第一时间以为是大街上加的广告推广的呢,没删净?又或者是哪个小哥哥?,我看了下手机聊天记录😒,我们公司的之前还对过接口,虽然不知道是谁,但是小哥哥就算了,异想天开。半晌儿,一大叔过来找我🙄,解决代码冲突。“咋这么多?”,诉说了原因之后。。
临济下班,这个项目的组长过来吼了我,“不是,这啥时候的事,没人说呢”。我:“一个月前的”。一段叙说之后,他走了。
自己挖的坑,别人来填,我可真行,就算是让我来填,他们也不相信我有这个本事。

絮叨这么久:解决方案

保证prd分支是干净的没被污染的前提,把master分支干掉,或者直接把prd分支merge到master分支上覆盖之前的代码。然后再从master新建分支,把开发者自己的代码merge到新建的分支上,之后的提测上uat,上生产就那新分支一路合就可以了。

0520更新:
基于http://www.dockone.io/article/9699这篇文章,我解决下昨天的疑问🤔️,为什么明明master分支revert了但是他们拉取的时候依旧有我提交的代码。

原因:在这里插入图片描述
看到这里小翔我😯,大彻大悟,当时确实是只revert了一次,以为只把刚刚的合并revert掉就完事,不曾想。。。。应该是我这个分支上提交了几次就需要revert几次才能回到原始。所以大家如果出现这种问题,当然了尽量不要出现,可以看看http://www.dockone.io/article/9699这篇文章,是否能解决问题

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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