Git ssh key的初始配置

今天开始跟视频做项目  刚开始用Git仓库连接 所以记录一下自己的配置过程,免得之后忘掉:

首先检查git是否装好了(出现版本号 说明已经安装好)

82116@▒˲▒▒Ǹ▒С̫▒▒ MINGW64 ~/.ssh
$ git --version
git version 2.19.1.windows.1

之后检查一下用户名和邮箱是否配置  我的配置好之后是这样的:

(如果没有配置的话)进入初始配置 :

  • Git中敲入如下代码 进行创建用户和邮箱:

git config --global  user.name "这里换上你的用户名"
git config --global user.email "这里换上你的邮箱"

 

  • 然后执行以下命令生成秘钥:

ssh-keygen -t rsa -C "这里换上你的邮箱"

执行命令后需要进行3次或4次确认:

  1. 确认秘钥的保存路径(如果不需要改路径则直接回车);
  2. 如果上一步置顶的保存路径下已经有秘钥文件,则需要确认是否覆盖(如果之前的秘钥不再需要则直接回车覆盖,如需要则手动拷贝到其他目录后再覆盖);
  3. 创建密码(如果不需要密码则直接回车);
  4. 确认密码;

执行结果如下:

一般会在C盘user的.ssh文件夹下会生成2个名为id_rsa和id_rsa.pub的文件:

 

  • 之后打开Github 进入首页 点击自己的头像进入settings

选择SSH and GPG keys项:  之前生成的是ssh秘钥,所以下面选择New SSH key(我这里刚刚配置了一个key,如果是未配置秘钥的用户,这里应该是空的)点击New SSH key进行新建

之后在git中查看刚配好的公钥内容 进行复制(复制红色框中的内容)

    cat id_rsa.pub

之后复制进Key下面的对话框中  Title自己可以随便起一个  

之后点击ADD SSH key就创建好了

完成以后,验证下这个key是不是正常工作:

输入 ssh -T git@github.com (注意!红色框中的部分要输入yes)

看到

Hi xxx! You've successfully authenticated, but GitHub does not # provide shell access.

这句话证明你已经设置完成了

 

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