【Git】Git常用命令汇总整理(未完待更)

Git常用命令整理(全集/整理/保存) Git常用命令整理 新建代码库 // 在当前目录新建一个Git代码库 $ git init // 在当前目录新建一个裸Git代码库 $ git init --bare // 新建一个目录,将其初始化为Git代码库 $ git init [project-name] // 下载一个项目和它的整个代码历史 $ git clone [url] 配置信息 增加/删除文件 代码提交 分支管理 标签管理 查看信息 远程同步 撤销 10.其他 ... 阅读详情


说明:蓝色字体(包括表格内容、标题)用作锚点方便详情跳转与回跳

Git 常用命令
命令简要说明
git add添加至暂存区
git branch分支管理
git checkout检出到工作区、切换或创建分支
git clone克隆版本库
git commit提交
git config查询和修改配置
git diff差异比较
git describe通过里程碑直观地显示提交ID
git fetch获取远程版本库的提交
git help帮助
git init版本库初始化
git log显示提交日志
git mv重命名
git merge分支合并
git mergetool图形化冲突解决
git pull拉回远程版本库的提交, 与本地分支合并
git push推送至远程版本库
git reset重置改变分支“游标”指向
git rm删除文件
git remote远程版本库管理
git rebase分支变基
git stash保存和恢复进度
git show显示各种类型的对象
git showlog汇总 git 日志输出
git submodule初始化,更新或检查子模块
git status显示工作区文件状态
git tag里程碑管理
git add 命令
命令详情说明
git add .versoion 1.x : 将当前子目录下所有修改过以及新建立的文件添加到暂存区, 不包括被删除的文件
versoion 2.x : 将所有跟踪文件中被修改、删除文件以及所有未跟踪的文件添加到暂存区
git add -A将所有跟踪文件中被修改、删除文件以及所有未跟踪的文件添加到暂存区
git add <path>将指定的文件或目录添加到暂存区
例如:git add hilox.txt 将文件 hilox.txt 添加至暂存区
git add -u [<path>]将被修改或已删除的文件添加到暂存区,不包括新建立的文件;
省略 <path> 表示 . ,即当前目录
git clone 命令
命令详情说明
git clone <remoteUrl>远程 git 仓库克隆至本地
git clone <remoteUrl> <directory>远程 git 仓库克隆至本地指定目录下(目录不存在则创建目录);
例如: 命令 git clone https://github.com/zhaohaihao/Demo hilox 的作用是将远程仓库
中的项目克隆至本地 hilox 目录下
git commit 命令
命令详情说明
git commit -m “message”提交至本地 git 仓库
git commit -am “message”将所有已跟踪文件中被修改、删除的文件都提交到本地 git 仓库, 不用经过 git add 添加到暂存区;
未跟踪的文件还是需要执行 git add <path> 命令
git commit –amend [-m “message”]增补提交(也可以叫追加提交),
可以在不增加一个新的commit-id的情况下将新修改的代码追加到前一次的commit-id当中
git init 命令
命令详情说明
git init当前目录初始化为本地 git 仓库(创建新仓库);
创建一个具有 objects, refs/heads, refs/tags 和模板文件的 .git 目录,
还创建了引用主分支的 HEAD 初始的一个 HEAD 文件
git init <directory>指定目录初始化为本地 git 仓库(目录不存在则创建目录);
例如:命令 git init hilox 的作用是为当前路径下创建 hilox 目录并将其初始化为本地 git 仓库
git pull 命令
命令详情说明
git pull拉取唯一一个与当前分支跟踪的远程分支上的代码进行合并
git pull <remoteName>当前分支与远程分支存在追踪关系, 拉取远程分支代码;
例如:命令 git pull origin 的作用是拉取对应 origin 主机的追踪分支与当前本地分支合并
git pull <remoteName> <remoteBranchName>例如:命令 git pull origin hilox 的作用是拉取远程 origin 主机
hilox 分支上的代码与当前分支进行合并
git pull <remoteName> <remoteBranchName> : <localBranchName>例如:命令 git pull origin master:hilox 的作用是拉取 origin 主机
的 master 分支上的代码, 并与本地的 hilox 分支进行合并
git push 命令
命令详情说明
git push推送代码至唯一的远程追踪分支
git push <remoteName>将当前分支推送到指定主机的对应追踪分支
git push <remoteName> <localBranchName>将本地分支推送到指定主机的指定分支(与本地分支同名)。如果指定远程分支不存在, 则会被新建;
例如:命令 git push origin hilox 的作用是将本地 hilox 分支推送到 origin 主机的 hilox 分支
git push -u <remoteName> <localBranchName>当前分支与多个主机存在追踪关系,则可以使用 -u 参数指定一个默认主机,这样后面就可以不加任何参数使用 git push
git push <remoteName> <localBranchName> : <remoteBranchName>将本地指定的分支推送到指定主机的远程指定分支。如果省略本地分支名,则表示删除指定的远程分支。
例如:命令 git push origin :master 的作用是删除 origin 主机的 master 分支
git 常用命令整理 3、git pull origin master 这是下拉代码,将远程最新的代码先跟你本地的代码合并一下,如果确定远程没有更新,可以不用这个,最好是每次都执行以下,完成之后打开代码查看有没有冲突,并解决,如果有冲突解决完成以后再次执行1跟2的操作。在出现需要你输入新的merge信息的终端窗口,在最上面的提示句下有一行空格,按照链接的帮助,按”i”进入输入模式,随便输入个什么,然后 esc,直接输入”:wq”git push -u origin master //把本地仓库的文件推送到远程仓库。 阅读详情

相关推荐

天地图API避坑指南:从零开始实现地址搜索与坐标标记

本文是一份天地图API实战避坑指南,详细讲解了从申请密钥、初始化地图到实现地址搜索与坐标标记的全过程。针对开发中常见的坐标偏移、搜索建议不显示、事件监听失效等核心难题,提供了具体的解决方案和代码示例,帮助开发者高效、稳定地集成天地图服务。

weixin_29326909的博客 265

git日志导出为csv格式文件、excel格式文件

进入项目的git base界面; 输入: git log --date=iso --pretty=format:'"%h","%an","%ad","%s"' &gt;log.csv

wcqlwyt的博客 1699

Conformal LEC逻辑等价性检查介绍和参考脚本

分为三个产品:Conformal L、Conformal XL、Conformal GXL。L是功能性检查,XL支持复杂数据通路的综合和APR优化,GXL支持定制的stdcell和定制memory的检查。Cadence Conformal Equivalence Checker,就是常说的LEC,可以用来验证RTL、门级网表、甚至spice网表的逻辑等价性。在setup模式下,读入库、golden设计、有修改的设计,并指定一些option。对于简单的设计,通过GUI来做LEC也是可以的。

weixin_44606964的博客 920

Git工作原理及常用命令

git介绍 git(读音/ɡɪt/)是一个开源的分布式版本控制系统,可以有效、高速地处理从很小到非常大的项目版本管理。git是Linus Torvalds为了帮助管理Linux内核开发而开发的一个开放源码的版本控制软件。 git保存的不是文件的变化或者差异,而是一系列不同时刻的文件快照。在进行提交操作时,git回报纯一个提交对象(commit object)。该提交对象会包含一个指向暂存内容快照的指针。但不仅仅是这样,该提交对象还包含作者的姓名和邮箱、提交时输入的信息以及指向它的父对象的指针。 git安装及

OUDUIDUI的博客 240

ipc$漏洞攻击(实验)

我们总在说ipc$漏洞ipc$漏洞,其实,ipc$并不是真正意义上的漏洞,它是为了方便管理员的远程管理而开放的远程网络登陆功能,而且还打开了默认共享,即所有的逻辑盘(c$,d$,e$……利用IPC$,连接者甚至可以与目标主机建立一个空的连接而无需用户名与密码(当然,对方机器必须开了ipc$共享,否则你是连接不上的),而利用这个空的连接,连接者还可以得到目标主机上的用户列表(不过负责的管理员会禁止导出用户列表的)。5.然后,我们物理连接到靶机上,到了两分钟后,我们可以用命令看到,这个pp45的用户就出现了。

2301_76361674的博客 3256

基于Simulink的电源纹波抑制仿真

电源纹波(Power Supply Ripple)是指直流电源输出中存在的交流分量。纹波的存在会导致电压波动,进而影响负载设备的性能和寿命。为了确保高质量的电源输出,通常需要设计有效的滤波电路来抑制纹波。Simulink 提供了一个强大的仿真环境,可以用来设计、分析和验证电源纹波抑制方案。本教程将详细介绍如何使用 Simulink 进行电源纹波抑制的仿真实例。通过本教程,我们详细介绍了如何使用 Simulink 进行电源纹波抑制的仿真实例。背景介绍:理解电源纹波及其对电力电子系统的影响。仿真建模过程。

xiaoheshang_123的博客 514

20 个最常用的 Git 命令,你都会用吗?

在这篇文章中,我将介绍在使用 Git 时最常使用的 20 个命令。以下是这些Git命令:git configgit initgit clonegit addgit commitgit di...

路人甲Java 424

18、地下矿山中人工智能在区分真实微震事件与噪声信号的应用

本文提出一种基于遗传编程(GP)的新型经验模型,用于地下矿山中真实微震事件与噪声信号(特别是爆破信号)的自动区分。针对传统方法和常见机器学习算法存在的黑箱问题、过拟合及准确性不足等局限,GP模型通过符号回归和进化机制生成可解释的数学表达式,具备自动特征选择能力,有效提升了分类准确率。研究使用包含100个样本的真实数据库,结合敏感性分析优化模型参数,并与线性判别分析(LDA)进行对比,结果表明GP模型在分类性能上更具优势。该模型可应用于实时微震监测系统,提高矿山安全生产水平,降低误判带来的成本开销,具有良好的

assembly8low的博客 95

Git常用命令总结

Git常用命令总结 git init      在本地新建一个repo,进入一个项目目录,执行git init,会初始化一个repo,并在当前文件夹下创建一个.git文件夹.   git clone      获取一个url对应的远程Git repo, 创建一个local copy.      一般的格式是git clone [url].      clone下来的repo会以url...

weixin_34120274的博客 3984

基于Simulink的无线充电系统LCC补偿网络建模与控制

本文详细介绍了基于Simulink的无线充电系统LCC补偿网络建模与控制方法。首先分析了无线充电系统面临的核心挑战,提出LCC补偿网络解决方案,阐述了其恒流输出和输入阻抗解耦原理。通过Simulink分步演示了系统建模过程,包括松耦合变压器、LCC+LC补偿网络、功率变换级搭建以及频率跟踪控制实现。仿真结果表明,LCC补偿系统在气隙变化和负载跳变下能保持输出电压稳定(波动±3%),效率达89%。文章还总结了工程实现要点,并探讨了动态充电、多负载系统等扩展应用。该教程为开发高效智能的无线充电系统提供了实用指导

amy_mhd的博客 64

高通平台Android 无线 UWB 开发全解析:UWB系统设计、天线与校准全流程指南

为使 UWB 系统达到目标性能,在整个开发流程中遵循一套设计最佳实践至关重要。系统架构:需基于飞行时间(ToF)功能的基准方案(POR)定义系统框图,这是整体系统架构的基础。天线布局:天线位置对性能影响极大,需尽可能贴近 UWB 芯片,以减少信号损耗、保持高传输效率。器件选型:需谨慎选择元器件,推荐使用单刀双掷(SPDT)或双刀双掷(DPDT)开关、UWB 带通滤波器射频同轴测试接头,以保障信号传输路径与测试能力。原理图优化:原理图开发阶段,走线损耗优化极为关键。

专业开发者的博客,一个从事Android WiFi和蓝牙的工程师 171

git版本控制的实用操作

基础操作 git init: 初始化本地仓库 open.git: 打开git文件夹 cat index.html: 可以在后台打印出这个文件的所有html代码 git status: 查看工作区里文件的状态,红色高亮就是未保存进暂存区的文件 git add .: 将所有文件增加到暂存区 git commit -m: 将文件从暂存区提交到版本区,-m后面是提交的说明 git log : 操作日志,commit后面的就是版本号 diff指令 git diff: 比较工作区和暂存区的差异,工作区代码更新后,

HeleneWoods的博客 225

矢量网络分析仪校准:原理、方法与系统适配性

矢量网络分析仪(VNA)校准是射频测量的关键环节,通过误差建模(12项误差项)和标准件测量,可将系统不确定度从±5dB降至±0.1dB以下。主流校准方法包括SOLT(适用于同轴系统)和TRL(适用于波导系统),二者在标准件、误差重点及频率上限等方面存在显著差异。随着6G与量子通信的发展,动态实时校准将成为新趋势。工程师需根据传输结构、频率范围及精度需求选择合适方法,确保测量精度。

u014344410的博客 263

git常用命令整理

前言本文主要记录自己平时经常使用的git命令和收集别人博客中一些常用命令,方便初学者理解和使用。本文先简单介绍git工作原理,然后详细介绍git的各种使用方法。1. git工作原理一开始的时候,master分支是一条线,Git用master指向最新的提交,再用HEAD指向master,就能确定当前分支,以及当前分支的提交点:每次提交,master分支都会向前移动一步。当我们创建新的分支,例如dev时

androider_xy的博客 6486

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

GIT常用命令整理

GIT常用命令整理

turbolove的博客 1107

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Git 常用命令

分支上有一个Bug,但你知道在两个月前的版本v1.0上是没有这个Bug的。Git 是一个分布式版本控制系统,广泛用于软件开发中的版本管理。以下是 Git 的常用命令及说明。是一个高效的“Git侦探”,帮助你快速在大量提交中 pinpoint 引入问题的精确位置。–interactive 交互式。你改变了主意,不想合并这个功能了,但分支上的 A 和 B 提交只存在于。rebase 命令将提交到某一分支上的所有修改都移至另一分支上,如下。当一个系统所集成的git库非常多时,此时就需要repo来进行管理。

weixin_41469272的博客 1852

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

git流程以及常用命令的整理

git流程 下载最新的项目 git clone (项目地址) 开发前远程同步别人的代码 git pull origin (master/分支) 开发完成后 确认变化 git status 无变化-nothing to commit 有变化-显示变化的文件名 添加到缓存区 git add (文件名/.) 用.表示提交所有修改的文件 添加到本地...

羽公子的博客 252

GIT常用命令超全整理

<div id="article_content" class="article_content clearfix" style="height: 2472px; overflow: hidden;"> <link rel="stylesheet" href="https://csdnimg.cn/release/ph...

STCNXPARM的博客 744

常用命令整理一(git、adb、vim、cmd、sh)

常用命令整理(git)1、git篇(1)安装git(2)配置(3)使用(4)基础概念 1、git篇 (1)安装git # 查看git版本 git --version (2)配置 # --system # --global:针对当前用户 # --local:针对某个仓库 git config --global user.name "your_username" # --global 选项对系统上所有仓库生效,去掉该参数只对当前仓库有效 git config --global user.email "your

LilyZJ的博客 1858

Git常用命令整理

一、Git 常用命令整理 命令 简要说明 git branch 查看本地所有分支 git status 查看当前状态 git commit 提交 git branch -a 查看所有的分支 git branch -r 查看远程所有分支 git commit -am "init" 提交并且加注释 git remote add origin git地址 git push origin maste...

博客 990

Git 常用命令的整理

Git 常用命令的整理。

遇见【自己】的博客 883

git常用命令

git 常用命令整理 目的为了自己查找方便,也为大家提供便捷 命令 说明 git init 初始化git仓库 git status 查看工作区状态 git diff filename git diff --cached filename git diff --filename 比较工作区和暂存区 比较暂存区和版本库 比较工作区和版本库区别 git add fil...

itbogeman 222

Git 常用命令(整理)

结合网上搜寻提供的一些资料中,整理成一篇 Git 常用命令以供学习备忘不时之需

李戎戎的博客 166

git笔记,常用命令整理

之前的版本控制一直用的SVN,最近做小程序才接触了GIT。git的命令比较多,整理了一下常用到的。 git branch -a 查看所有分支 git push origin --delete Chapater6 可以删除远程分支Chapater6 git branch -d Chapater8 可以删除本地分支(在主分支中) HEAD指向的版本就是当前版本,因此,Git允许我们在版...

weixin_41109346的博客 245
上一篇: 【Git】Git 与 SVN 的区别概述
下一篇: 【SpringBoot】集成JWT实现用户认证
黑豪Horace
博客等级 码龄10年 85粉丝 74原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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