Git学习笔记

Git介绍

个人学习Git笔记,没有任何参考价值,所有记录全是个人理解加习惯
liunx大神的意外之作

去中心化?搞比特币?

Git安装

下载适合自己的版本,一直下一步就可以

Git结构

本地仓库

工作区:也就是你写代码的地方

暂存区:打算提交,还没提交,临时存储的区域

本地库:存储的历史版本库区域

工作区——>git add——>暂存区——>git commit——>本地库

创建本地仓库流程
1、创建本地文件夹

在这里插入图片描述

2、初始化本地仓库

前提条件:设置好签名——用户名和邮箱

打开“Git Bash Here”

执行“git init”

查看“ll -la”
在这里插入图片描述

3、创建一个示例文件

在这里插入图片描述

4、提交到暂存区

git add 文件名或者文件夹名

在这里插入图片描述

5、提交到本地仓库

git commit -m “描述信息” 文件名

在这里插入图片描述

远程仓库

局域网环境下:可以自己搭建GitLab服务器作为代码托管中心

外网环境下:可以基于GitHub或者Gitee作为代码托管中心

分支

介绍

在版本控制过程中,使用多条线同时推进多个任务。这个时候就可以使用不同的分支进行代码管理推进。

通过不同的分支,我们可以更好地管理代码的版本回溯;防止主分支代码污染;互不干扰,提交开发效率。
在这里插入图片描述

分支操作

创建分支
git branch [分支名]
查看分支
git branch -v # 前面的*表示当前你在哪个分支

在这里插入图片描述

切换分支
git checkout [分支名]

在这里插入图片描述

分支开发

在对应的分支下进行commit即可
在这里插入图片描述

在不同的分支下可以看到不同的代码,通过切换可以看到效果
在这里插入图片描述

合并分支

将其他分支合并到主分支(如果是合并到其他分支就进入需要合入的分支)

1、进入主分支

2、将需要合并的分支与主分支合并

git merge [分支名]

在这里插入图片描述

3、如果合并有冲突

  • 删除不想要的,留下想要的

    操作文件保留想要的

  • git add

  • git commit -m “”(不可以带文件名)

演示操作:

  • 切换到其他分支,对文件进行操作

在这里插入图片描述

  • 提交到本地仓

在这里插入图片描述

  • 切换到需要合入的仓库,并修改该文件,提交到本地仓
    在这里插入图片描述

  • 合入

在这里插入图片描述

  • 重新修改文件提交
    在这里插入图片描述
提交分支

将本地创建的分支提交到远程仓库

sun@SUNZHINAN MINGW64 /e/item/demo (master)
$ git checkout dev # 切换分支
Switched to branch 'dev'

sun@SUNZHINAN MINGW64 /e/item/demo (dev)
$ git remote -v # 查看别名和远程仓库地址
origin  git@github.com:sunzhinan/demo.git (fetch)
origin  git@github.com:sunzhinan/demo.git (push)

sun@SUNZHINAN MINGW64 /e/item/demo (dev)
$ git push origin dev # 提交分支
Total 0 (delta 0), reused 0 (delta 0)
remote:
remote: Create a pull request for 'dev' on GitHub by visiting:
remote:      https://github.com/sunzhinan/demo/pull/new/dev
remote:
To github.com:sunzhinan/demo.git
 * [new branch]      dev -> dev
 
 # 完成!

GitHub

将本地代码推送到远程仓库

1、注册账号

2、创建GitHub远程仓库

new repository

3、本地仓已创建

可以通过remote先设置远程仓库的别名

4、执行git push [.git地址] [分支]

克隆代码

git clone [.git地址]

推送代码

git push [.git地址] [分支]

其他用户需要邀请加入团队

添加用户,复制邀请链接,登录该用户账号将链接输入地址栏接受邀请

拉取代码

git pull [远程仓地址或者别名] [分支]

或者使用

git fetch + git merge

GitLab

冲突解决办法

冲突一般都是不同开发人员操作同一文件,同时合入主仓导致的问题

同一团队

加入了项目团队成员

1、先pull,查看冲突位置,修改文件

2、修改为好文件后,向服务器推送

git add

git commit -m “”(解决冲突问题不可以带冲突文件名)

git push [远程仓库地址或者分支名] [分支]

跨团队

没有加入团队,只是fork了代码

1、fork代码

2、将代码克隆到本地git clone

3、提交修改到自己fork仓

4、发送申请pull request

IDEA解决冲突

1、push后有冲突,会提示错误,点击“Merge”;弹出提示框,在点击“merge”进行合并操作。合并好了点击“apply”

2、再次push就可以了

IDEA集成Git

setting——control——git

Git 常用命令

git version

查看git版本

git init

创建本地仓库

git add

提交到暂存区

git commit

提交到本地仓

git status

查看工作区和暂存区状态(提交到本地库的看不到)

git log/git reflog

查看提交日志

git reset/git revert

git reset :可以进行历史版本的前进或者后退,也可以通过该命令找到commit后删除的文件

1、只是git add还没commit

git reset HEAD .

# 或者
git reset HEAD xxx.java

2、如果已经commit到本地仓库还没push到远程仓库

# 方法一
git reset --hard HEAD^	# 回到最新一次修改
# 推荐(需要注意最后的^号,意思是commit_id的前一次提交)
git reset HEAD^	# 保留代码回到最新一次修改,

# 方法二配合commit_id
git log # 查看提交历史
git reset --hard [commit_id] # 回到你想回到的这个版本
## hard:会重置工作区和暂存区的代码
## mixed:重置暂存区,工作区还在
## soft:不会重置暂存区和工作区

在这里插入图片描述

3、如果已经push到远程仓库

# 方法一
git log # 查看commit记录
git revert ]commit_id] # 撤销到指定的版本

# 方法二
git log # 查看commit记录
git reset --hard [commit_id] # 回到你想回到的这个版本
git push origin HEAD --force # 重要,强制提交一次,将之前的错误从远程仓库删除
git diff

比对文件差异——工作区和暂存区的文件内容差异

1、已经将文件提交到本地仓库

2、修改已经提交的文件

# 单个文件比对
git diff [文件名]

# 多个文件比对
git diff

# 如果需要比较暂存区和本地仓库的差异
git diff HEAD [文件名] # 和最新的本地库比较
# 或者
git diff [commit_id] [文件名] # 和对应的commit_id版本比较
git remote

查看别名

git remote -v

新增别名

git remote add [别名] [远程仓地址]
git fetch

也是拉取代码,git fetch+git merge = git pull

git fetch [远程库地址] [分支]
# fetch只是将远程库的内容下载到本地库,所以工作区是看到新抓取的文件和内容的
#使用merge合并
git merge [远程仓地址或者别名]/[、分支]
git checkout
# 本地仓切换
git checkout [分支]
# 远程仓切换
git checkout [远程仓地址或别名]/[分支]

查看别名

git remote -v

新增别名

git remote add [别名] [远程仓地址]
git fetch

也是拉取代码,git fetch+git merge = git pull

git fetch [远程库地址] [分支]
# fetch只是将远程库的内容下载到本地库,所以工作区是看到新抓取的文件和内容的
#使用merge合并
git merge [远程仓地址或者别名]/[、分支]
git checkout
# 本地仓切换
git checkout [分支]
# 远程仓切换
git checkout [远程仓地址或别名]/[分支]
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。
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