GitHub使用

GitHub介绍

gitHub是一个面向开源及私有软件项目的托管平台,因为只支持git 作为唯一的版本库格式进行托管,故名gitHub

GitHub账号创建

账号创建直接按照官网上的步骤一步步来很简单,可以使用谷歌浏览器来翻译。

官网地址(点击进入)
创建好后登陆再按照步骤创建一个自己的库。
下面就是要将这个库克隆到我们的电脑了

按照GitHub

下载地址(点击进入)

1.下载适合自己的电脑的版本

我的是windows64位的
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

下载完打开
在这里插入图片描述
在这里插入图片描述
选择下安装地址
后面直接默认选项即可。
在这里插入图片描述
Finish安装完成

2.使用

在这里插入图片描述
第一个Bash是命令行操作,第二个是CMD没用过,第三个是CUI可视化图形界面。

Git中的Bash是基于CMD的,在CMD的基础上增添一些新的命令与功能。所以建议在使用的时候,用Bash更加方便。网上看见的。

2.1登陆

点击上面说的Bash
在这里插入图片描述
然后输入

git config --global user.name "Your Name"

注册邮箱

git config --global user.email "jk@163.com"

在这里插入图片描述
进入到你想创建仓库的位置

cd e:/GitHub/Git/Lolita

在这里插入图片描述
确定进入目标文件目录后输入显示/e/GitHub…
在这里插入图片描述

pwd
git init

在这里插入图片描述

这样在目录下有隐藏文件.git就成功了
在这里插入图片描述

2.2本地仓库使用

新建一个txt文件用来测试下
在这里插入图片描述
txt文件下随便写点内容
在这里插入图片描述
将刚刚新建的test.txt文件添加到本地仓库

git add+文件名.文件类型

在这里插入图片描述
还有

git add -A 提交所有变化
git add -u 提交被修改(modified)和被删除(deleted)文件,不包括新文件(new)
git add . 提交新文件(new)和被修改(modified)文件,不包括被删除(deleted)文件

提交然后注释下刚刚进行了什么操作

$ git commit -m "修改注释"

在这里插入图片描述
修改文件
在这里插入图片描述
查看你修改了什么
在这里插入图片描述

$ git diff 文件名+类型

查看文件内容
在这里插入图片描述

$ cat 文件名+类型

注意:只能查看Lolita文件夹下的文件

2.3连接远程仓库[有空再补充]
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