git学习的总结(部分)

Git工作区域

工作区:

添加,编辑,修改文件等动作

暂存区:

暂存已经修改的文件,最后统一提交到git仓库

git仓库:

最终确定文件保存到仓库,成为一个新的版本,并且对他人可见

1.Git的基础设置:

(1)设置用户名:

git config --global user. name ‘your name’

(2)设置用户名邮箱:

git config --global user.email ‘your email’

(3)查看设置:

git config --list

注意:设置在github仓库主页显示最新提交,谁提交了该文件。

2.添加远程库:

(1)用一下命令生成SSH key:

ssh -keygen -t rsa -C’电子邮件’,并且找到ssh文件夹,打开id_rsa,pub 复制key

(2)回到github上,进入Account Settings,选择SSH keys .Add SSH key,title随便填,粘贴key即可建立

(3)为了验证是否成功,输入:

ssh -T git @github.com

(4)之后在New repository 中进行操作

3.git远程仓库的操作,传输文件(备份,共享)

(1)git克隆操作:

目的:将远程仓库(github仓库对应的项目)复制到本地

(2)代码:git clone 仓库地址

仓库地址由来:去仓库复制

(3)将本地仓库同步到git远程仓库中:

A.git clone 创建仓库(下载文件)

B.创建新文件:touch 文件名(也可以右键直接创建)

C.git add 文件名(添加该文件) git add.(添加全部文件)来将文件添加到暂存区

D.git status 查看文件状态

E. git commit -m’文件名’(把暂存区的文件提交到仓库)

F.git status (若为nothing to commit则表明文件已提交)

G.git push (将本地仓库文件提交到远程仓库)

4.git分支的创建:(粗略学习)

(1)git branch;(2)git branch -a;(3)git  checkout -b 分支名(创建分支);(4)git branch -a;
(5)git status;(6)git commit -m '描述';(7)git push origin 分支名.
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