【Git笔记1】本地项目与GitHub远程仓库互联

640

    秋招面试的时候,面试官就问了我:你会Git吗?我迟疑看着他,他微笑着说,入职前要抓紧时间好好学习一下。

    由于地理位置优势先来公司熟悉下环境,咨询算法组组长入职前可以做些什么准备?组长说,Git要好好学习一下,这个在工作中挺重要的。可是,我并没有听话,懊悔,实在是耽误了不少时间在使用Git上,你可能说Git不难,是的,它不难,但是会它,你工作效率真的会大增,Git东西还是挺多的。

    本系列学习笔记就是为了抓主干,梳理工作中会常用的命令。所以搭好环境!先从本地项目与远程仓库互联开始,如果期间有些概念不会,没事,后面都会抓重点介绍。

640

众多公司为何都选择Git

    

     为什么选择Git   

    Git官网对它的介绍是这样的:Git is a free and open source distributed version control system designed to handle everything from small to very large projects with speed and efficiency.(Git是一个免费的开源分布式版本控制系统,它可以快速高效地处理从小型到大型的所有项目) 

    Git is easy to learn and has a tiny footprint with lightning fast performance.  (Git易于学习,占用空间小,性能快如闪电)    

     一句话总结:Git 是世界上最先进的分布式版本控制系统,能够帮助个人或者公司团队进行版本控制的一个强大的工具,--everything-is-local.

    大家比较熟知的:Github,Gitlab,还有CSDN出现的知识分享付费平台Gitchat都是基于这样一个思想。就在昨天(2019年9月17日),GitLab 宣布该公司已完成价值 2.68 亿美元的 E 轮融资,已经为IPO做好了准备,计划2020年11月18日上市。

640?wx_fmt=png

640

学习Git准备工作是什么?

 

   1. 安装Git:https://git-scm.com/download

     本系统的学习笔记是在win10操作的。如果你也是,那么一路默认下来直接下一步安装即可。安装步骤的截图为了不喧宾夺主就省去了。如果你是别的系统的,下载对应版本即可,Git命令都是一样的,不妨碍一起升级打怪。

     鼠标右键,打开Git Bash here,弹出一个类似cmd窗口的东西,就说明Git安装成功啦!

    2. 注册github账号,当然你也可以用码云。https://github.com

640

  3. 在git bash里自报家门,告诉Git你的github用户名和邮箱。打开git,输入以下命令:        

git config --global user.name  Your Name

git config --global user.email  email@example.com

      注意:Your Name和email@example.com就是上文注册时用的名字和邮箱。使用 –global 参数是让本机器所有的 Git 仓库都使用该用户名和邮箱,不同的仓库也可以使用不同的用户名和邮箱。但我们通常只会用到一个GitHub账号,所以直接这么设置就可以。

640

那如何创建本地仓库?

     

    仓库(Repository)可以简单理解为一个目录,每个目录包含着一个仓库。我们可以在自己电脑的任意位置新建一个文件夹(例如 F:/study/studyGit),我们要建立一个仓库,名为 learngit。打开 Git Bash,cd 到F:/study/studyGit目录下,新建一个目录 learngit,再 cd 到 learngit 目录,命令如下:

640

   

     使用下面的命令将 learngit 目录变成 Git 可以管理的仓库:

640

     

       learngit 目录下生成一个.git隐藏文件夹,表示初始化成功,该目录已经可以被 Git 管理了。接着往仓库里加点东西。

  1.   step1:新建一个readme.txt. 

      #用命令 git add 告诉 Git,把文件添加到仓库;

  step2git add readme.txt     

      #用命令 git commit 告诉 Git,把文件提交到仓库;

  step3git commit -m doc: create readme file    

  注意:-m 后面输入的是本次提交的说明,为方便你能从历史记录里方便地找到改动记录,请写的有意义点。如果有多个文件,可以先使用git add将所有文件添加进来,最后使用一次git commit命令就好。值得一提的是,还可以使用 git add . 直接将本仓库目录下所有的文件都一次性添加到仓库中,方便很多。

640

远程仓库

     

      远程仓库是Git的杀手级功能之一。

      step1:创建 SSH Key。在用户主目录下,看看有没有 .ssh 目录,如果有,再看看这个目录下有没有 id_rsa 和 id_rsa.pub 这两个文件,如果已经有了,可直接跳到下一步。如果没有,打开终端(Windows 下打开 Git Bash),创建 SSH Key:

      ssh-keygen -t rsa -C  youremail@example.com

      连续3次回车就可以啦。就会发现下面两个文件

640

       step2:复制上面的pub这个文件的内容,点击SSH keys:

640

      

      点击 Add SSH key,就完成了 SSH 的配置。之所以要设置 SSH key,是为了识别出你推送的确实是你推送的,而不是别人冒充的,而Git支持SSH协议,所以,GitHub 只要知道了你的公钥,就可以确认只有你自己才能推送。

 注意:如果你公司和家里各有电脑。那么可以把两台电脑的公钥都添加到你的 GitHub,这样就都可以实现推送了。

640

将本地仓库push到Github

        step1:新建仓库

  640

 

       然后,Repository name 写上 learnGit,不要勾选 “Initialize this repository with a README”,直接点击 Create repository。

        接下来的界面就是:

640

       点击红色框按钮复制远程仓库 learnGit 的地址。

       step2:在我们的 Git Bash 界面,把本地 Git 库与刚刚建的远程仓库关联,输入下列命令:git remote add origin https://github.com/yourname/learngit.git

        

    细心的朋友发现了上面图片中第二条就是的啦。把yourname换成你的哈。

        step3:推送到远程仓库

640

    回到GitHub中,进入learnGit仓库,就会发现readme.txt文件已经传到我们的 GitHub 上了。GitHub 页面中看到远程库的内容已经和本地一模一样了。

       注意,之后有任何改动,都可以进行三步走:

  1. git add .

  2. git commit -m xxx

  3. git push -u origin master

       

    一般输入 “git push -u origin master” 语句后,都需要输入 GitHub 用户名和密码。这是因为我们使用的是 https 提交方式,改为ssh方式即可。建立了连接后以后可以直接git push。

640

Github上克隆项目到本地仓库

step1:复制该仓库的地址

step2:打开 Git Bash,cd 到我们之间建立的F:/study/studyGit

step3:输入git clone https://github.com/yourname/learngit.git,就可以直接将 GitHub 远程仓库 learngit 克隆到本地

      执行step3后,会在当前目录下创建一个名为learngit的目录,其中包含一个 .git 的目录,用于保存下载下来的所有版本记录;

       注意:这样就完成了从 GitHub 远程仓库 clone 到本地仓库的功能,这种方法不需要运行 git init 语句,直接上面一条语句即可。

       之后有任何改动,都可以进行上面的三步走。

      不到10分钟就完成,快点实践起来吧!这样我们才可以把自己的项目放到git,先开始第一步,之后就稳啦,接下来我们会学习Git一些列必知命令和经常遇到的情况的解决办法,好戏已来!请跟着小白CV一起学起来吧。


来和小伙伴们一起向上生长呀!
扫描下方二维码,添加小詹微信,可领取千元大礼包并申请加入 Python 学习交流群,群内仅供学术交流,日常互动,如果是想发推文、广告、砍价小程序的敬请绕道!一定记得备注「 交流学习 」,我会尽快通过好友申请哦!

640?wx_fmt=jpeg
👆长按识别,添加微信
(添加人数较多,请耐心等待)

640?wx_fmt=jpeg
👆长按识别,关注小詹
(扫码回复 1024 领取程序员大礼包)

推荐阅读: (点击标题即可跳转)
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