Git用法指南(建议收藏)

git管理github仓库配置开发必备 1,配置用户名和邮箱 1,命令行进行配置 git config --global user.name "username" git config --global user.email "email" 2,查看已配置的用户信息 配置后检查,可以避免后面不少的问题,所有我们可以查看一下刚才配置后信息是否正确 git config --list 命令自行后,就可以在末尾查看配置过的刚才配置的用户名和邮箱了 注:顺便提一下如何删除用户名和邮箱,可能有需要,顺带写上了。 git config --glo 阅读详情

       🔥🔥 欢迎来到小林的博客!!
      🛰️博客主页:✈️林 子
      🛰️社区 :✈️ 进步学堂
      🛰️欢迎关注:👍点赞🙌收藏✍️留言

创建仓库

命令:git init 使用后会在当前目录创建一个.git文件。

image-20230706072308390

仓库配置

仓库创建完之和,我们还需要配置name和email信息。

当前仓库配置命令:

git config user.name "your name" 引号处填你的git用户名

git config user.email"your email" 引号处填你的git邮箱

执行结果:

在这里插入图片描述

我们就会发现user.name和user.email配置成我们自己的了。

那么我们想修改怎么办呢?

我们可以用git config --unset user.name/email 来重置配置。

在这里插入图片描述

这样我们的user.name 和 user.email就被重置了。

但是如果我们想要当前机器上所有的仓库都配置,而不是仅仅只配置一个。那么我们可以用全局配置命令。

全局配置命令:

git config --global user.name ”your name“

git config --global user.email”your email“

在这里插入图片描述

而全局配置是无法用局部配置删除的。例如:

在这里插入图片描述

全局变量删除:

git config --global --unset user.name

git config --global --unset user.email

在这里插入图片描述

文件提交

git文件提交是先将工作区的内容添加进暂存区,随后从暂存区上传至本地仓库。

工作区:就是你当前仓库下非.git/文件夹的区域。

暂存区:git add后,文件暂存的区域。

本地仓库:git commit 后,将暂存区域的文件提交到本地仓库。

命令:

git add 文件名/. 文件名是添加单个文件至暂存区,.是添加当前目录所有文件至暂存区。

git commit -m "提交描述" 提交描述要描述文件提交的一些细节。

我们touch一个文件ReadMe,并在里面写上hello git。

在这里插入图片描述

在这里插入图片描述

这样我们的文件就提交成功了,如果有提交到远程仓库,那么可以用git push命令,具体操作可以看我之前写的博客 git提交三把斧

版本回退

什么是版本回退呢?

就比如你写了一个文档,第一次提交为v1版本,第二次提交为v2版本。当我们提交到v20个版本的时候,突然想回到第10个版本。这就是版本回退,而git里面有一个objects对象来存储每次修改后的版本。

版本回退的命令:

git reset [--soft | --mixed | hard] [head]

--soft选项只会回退版本库,而不会回退暂存区和工作区。

--mixed则会回退版本库和暂存区,不回退工作区,如果选项不填,该选项为默认选项。

--hard 工作区,暂存区,版本库统统回退。如果此时你工作区写了新的数据还没来得及提交,那么该选项会让你的v10版本后写的代码统统消失!所以该选项请慎用。

我们用v20来描述当前版本,v10来描述回退版本。

工作区暂存区版本库回退选项
v20v20v10–soft
v20v10v10–mixed(默认)
v10v10v10–hard(慎用)

接下来我们用–hard选项来演示一下版本回退。

我们先往ReadMe里面添加一行hello world,然后提交,更新至版本v2

在这里插入图片描述

在这里插入图片描述

然后我们再创建2个文件 file1 和 file2,再次提交,更新至版本v3

在这里插入图片描述

现在我们的目录下是有三个文件的,分别是file1,file2 和 ReadMe。

在这里插入图片描述

然后我们用命令 git log --pretty=oneline 来查看之前的提交信息。

在这里插入图片描述

前面那一串是用哈希计算出的一串16进制数字,它对应的是每一个回退的版本,回退版本存储在objects文件夹中。

在这里插入图片描述

而我们要回退哪个版本,就输入哪个版本即可。

我们输入 git reset --hard 182eaf20b1263fa1a548ca946af9eb53f514f805 回退到v1版本。

在这里插入图片描述

然后我们就发现,我们的目录只剩下一个文件,并且该文件的内容是hello git。说明我们的版本成功回退到了v1版本。 用–hard选项只是为了直观的演示回退效果,实际运用中用hard的话,你的工作区内容就会被覆盖掉。那么你之后写的代码也就没有了。

如果这时候右想回退回去呢? 我们用 git reflog 来查看一下历史输入的指令。

在这里插入图片描述

然后输入 git reset --hard 93c817a 回退回去即可。

在这里插入图片描述

注意! reflog只显示最近几条的提交记录,也就是说有可能会被覆盖掉。那么到时候就无法回退了。

小问题:为什么回退版本会这么快?

这是有一个HEAD指针指向master,而master则是存储的对象id(就是上面回退时所用的一串16进制数字)。

我们查看一下master里面的内容,就能看见它实际只是存储了一个对象id,这个对象id对应着objects里面存储的版本对象。

在这里插入图片描述

撤销修改

当我们写着写着发现自己写的代码太垃圾了,想撤销掉修改怎么办?

我们分三种情况来讨论:

第一种情况:写的代码还没有上传至暂存区,只在工作区中。

这种情况我们可以直接对文件修改,删除文件代码,但是这种方法不推荐。一是删除效率很慢,二是如果删错了可能会让代码产生bug。

第二种方法则是用命令: git checkout -- 文件名 来对问进行回退。

我们先给ReadMe随便加上一行数据,然后用命令对它进行回退。

在这里插入图片描述

在这里插入图片描述

回退成功!

第二种情况:写的代码已经上传到了暂存区,但还没提交到版本库。

第二种情况就是文件在工作区和暂存区,但是还没有提交到版本库。那么我们可以使用上面说过的reset选项来回退到当前版本,你没听错,reset是可以回到当前版本。我们用 reset --mixed可以把暂存区和版本库都回到当前版本,这时候就转换成了第一种情况,我们在用checkout – 来回退文件版本。

接下来我们演示一下:

我们先在ReadMe文件下面新增一行,然后把它添加进暂存区。

在这里插入图片描述

然用 git reset HEAD 回退到当前版本, HEAD指当前版本。

在这里插入图片描述

然后我们发现它提示我们暂存区没有可以提交的文件,这时候我们就可以当作第一种情况来处理,回退ReadMe文件。

输入 git checkout -- ReadMe 回退

在这里插入图片描述

回退成功!

第三种情况: 写的代码上传到了暂存区,并且还提交到了版本库。

第三种情况就是我们的代码已经提交到版本库了。也就是当前版本下是包含了xxxx code代码的,那么上一个版本肯定就是没有包含xxxx code代码的。那么我们只需要回退到上一个版本即可。

该情况回退有一个前提! 那就是该仓库还没有push至远程仓库!

演示:

先添加一行xxxx code,然后添加至暂存区,上传至版本库。

在这里插入图片描述

然后用 git reset --hard HEAD^ 回退,HEAD表示上一个版本,HEAD^表示上上个版本,以此类推。

在这里插入图片描述

回退成功!

文件删除

当我们的文件已经上传到了版本库种,如何删除它呢?

我们可以使用 git rm 文件名 来删除,之和在git commit -m 来提交变动即可。

在这里插入图片描述

分支管理

分支就类似于支线任务,主支则是master。分支就是master的分身,分支做的事情最终都可以合并到master种。

打个比方:master的任务是练习葵花宝典,而练习葵花宝典需要五天。如果此时master想在五天内同时练习葵花宝典和辟邪剑法。那么它可以开一个分支,让分支去练辟邪剑法,自己练葵花宝典。五天后让分支合并过来,那么此时的master就既会葵花宝典,也会辟邪剑法。

创建分支

我们可以用git branch name 来创建分支 。

也可以用 git branch 来查看分支。

在这里插入图片描述

切换分支

我们可以用git checkout 分支名 来切换分支。

在这里插入图片描述

合并分支

我们要知道.git/HEAD 指针指向的就是一个分支,也就是说,HEAD指向哪个分支,那么你上传就会上传到哪个分支。

我们切换到到dev分支。

在这里插入图片描述

随后我们修改ReadMe里的内容并上传到版本库。

在这里插入图片描述

这时候我们在dev分支内查看ReadMe的内容。然后在切换到master分支查看内容,我们会发现master还停留在之前的版本。

在这里插入图片描述

而我们再对照一下 .git/refs/heads目录下dev和master的内容。

在这里插入图片描述

在这里插入图片描述

我们可以发现它们记录的提交版本是不一样的,简单来说就是master分支停留在之前的版本。这时候我们就可以合并分支。

合并分支命令:git merge 分支

我们合并分支后就会发现ReadMe更新了。

在这里插入图片描述

我们再来看看heads目录下两者的最新提交版本信息。

在这里插入图片描述

可以发现它们的提交版本是一样的。所以所我们的分支合并是非常快的,因为它只需要修改 ./git/refs/heads/master 中的提交版本即可。

删除分支

删除分支命令: git branch -d 删除的分支名

不过删除分支要注意的一点是,不能在当前分支下删除当前分支,只能在其他分支下删除你要删除的分支。

在这里插入图片描述

所以我们切换到master分支后,即可删除分支。

在这里插入图片描述

然后我们就成功删除了dev分支。

有时候 git branch -d 删除的分支名 可能会不成功,此时我们用 git branch -D 删除的分支名 即可进行强制删除。

合并冲突

当我们的分支和master同时修改了该文件时,那么此时合并就会发生冲突。

此时我们的ReadMe内容是这样的:

在这里插入图片描述

首先我们创建一个分支dev1,然后把ReadMe的最后一行修改为bbbb code。

在这里插入图片描述

然后add -> commit -m 更新

在这里插入图片描述

然后我们切换回master分支,把ReadMe修改为cccc code。

在这里插入图片描述

然后master也 add -> commit -m 提交

在这里插入图片描述

然后我们合并分支

在这里插入图片描述

然后就提示我们在ReadMe内有一个冲突,并让我们修复冲突后重新提交结果。

那么我们打开ReadMe文件修复一下冲突。

在这里插入图片描述

我们就发现 了一些奇怪的东西, HEAD -> ====区间是当前master的内容, 剩下的是dev1的内容。意思就是让你选择其中一个分支的内容,我们选择bbbb code,那么就把其他的删除掉。

在这里插入图片描述

然后保存退出,并且重新提交一次。

在这里插入图片描述

此时我们的冲突就修复成功了。

我们再来看看dev1和master的最近一次提交。

在这里插入图片描述

我们会发现不一样,因为master后面解决合并冲突时又重新提交了一次。我们可以输入git log --graph --abbrev-commit 来查看提交日志。

在这里插入图片描述

此时我们就能清除的看到,master的最新提交为什么和dev1的不一样。

而以上的合并模式是fast forward模式,我们也可以使用非fast forward来合并

命令:git merge --no--ff -m “描述” 合并的分支

Git系列(一)、Git基础教程【建议收藏】 Git一、Git简介1.1、什么是Git? 一、Git简介 1.1、什么是Git? Git是一个开源的分布式版本控制系统,用于敏捷高效地处理任何或大或小的项目。 Git是Linus Torvalds为了帮助管理Linux内核开发而开发的一个开放源代码的版本控制软件。 Git与常用的版本控制工具CVS、Subversion等不同,它采用了分布式版本库的方式,不用服务器端软件支持。 ......... 阅读详情

相关推荐

告别命令行恐惧!用nTopology可视化工具5分钟搞定三维Voronoi泡沫建模

本文介绍如何利用nTopology可视化工具快速生成三维Voronoi泡沫结构,无需编程即可完成复杂建模。Voronoi结构在轻量化设计、能量吸收和生物医学等领域具有重要应用,传统命令行方法门槛较高。通过nTopology的四步流程,用户可在5分钟内创建仿真就绪模型,大幅提升设计效率。

weixin_30764771的博客 427

Git原理和命令

基本命令 git --version 查看版本 clear 清屏 git config --list 查看已有配置 git config --global user.name “xxx” 项目用户名配置 git config --global --unset user.name:删除配置信息 git cofig --global user.email xx@xx.com 当前项目邮箱配置 配置系统配置:–system,对整个系统都有效 配置用户配置:–global,仅对当前用户有效 配置当前项目配置:

weixin_44806700的博客 1112

SystemVerilog新手实战指南:iverilog与VScode的完美组合

本文为SystemVerilog新手提供了一套高效入门方案,详细介绍了如何利用开源编译器iverilog与轻量编辑器VScode搭建学习环境。内容涵盖十分钟快速安装配置、首个工程从编码到查看波形的完整流程,并演示了动态数组和队列等SystemVerilog新特性的使用,旨在帮助初学者避开复杂商业工具,快速掌握数字电路设计与验证的核心技能。

f6g7h8i9j的博客 514

git config 查看,设置,删除项

git config 查看,设置,删除项

峡谷电光马仔的博客 4529

AD9176 双通道高速DAC调试记录

AD9176是一款高性能双通道16位数模转换器,支持高达12.6GSPS采样率,专为多频段无线应用设计。该器件集成8通道15.4Gbps JESD204B接口,支持复数/实数数据输入,每通道最大输入速率达3.08GSPS。关键特性包括:48位高精度NCO、灵活的插值滤波器(最高12倍)、优异的动态性能(SFDR达-83dBc@1.84GHz)以及多芯片同步功能。硬件调试需重点关注时钟配置(建议250M基准时钟)、JESD参数匹配及交流耦合设计。测试指标要求SFDR>55dBc@312MHz,实测值可达65d

universaldata的博客 1492

simulink中MIL测试简单理解

输入信号设置如下:选中New Test Case1 ---INPUT。5、新建(选择New,Test from Spreadsheet)6、可以新建也可以导入(Use existing test)Source:Output为自己预测结果。3、右键子系统(Create)打开生成表格,可以自己调试。4、创建测试用例表格。保存路径为模型路径。保存路径在模型路径。8、运行测试设h置。

lingdianhuat的博客 1784

如何删除git config中的某一个配置项

我们修改了git config之后 两种方式 一、直接编辑.gitconfig文件 一般在C盘/用户/[你的用户名]下有一个.gitconfig文件,可以直接编辑该文件来进行增删改。 二、使用git命令 例如,使用如下命令,就可以把http.version配置项删除啦 git config --global --unset http.version 顺便说一下,添加/修改/查看的命令吧 #添加修改 git config --global http.version HTTP/1.1 #查看 git con

sdujava2011 1万+

STM32CubeIDE串口打印浮点数踩坑实录:5分钟搞定printf输出小数(附完整配置截图)

本文针对STM32CubeIDE中串口无法打印浮点数的常见问题,提供了详细的解决方案。核心在于通过添加“-u _printf_float”链接器参数,启用标准库的浮点数格式化支持。文章附有完整的配置截图和步骤,并提供了系统性的排查清单,帮助开发者快速解决printf输出小数的问题。

weixin_29163797的博客 344

Git---git config操作大全 查看和操作配置参数

查看或修改git仓库或全局配置 仓库配置,如果当前不在仓库则查看全局然后查看系统 git config --list 仓库配置 高优先级 git config --local --list 全局用户配置 中优先级 git config --global --list 系统配置 低优先级 git config --system --list 通过上述命令可以查看config存储的所有配置参数 也可以通过直接查看文件的方式查看config 系统config在安装目录下的/etc/.

HO1_K的博客 3万+

python数据处理与分析案例,python如何进行数据处理

大家好,本文将围绕基于python的数据处理案例展开说明,python数据处理与分析案例是一个很多人都想弄明白的事情,想搞清楚python如何进行数据处理需要先了解以下几个事情。大家好,小编来为大家解答以下问题,python数据处理案例步骤及其代码,python数据处理与分析教程,今天让我们一起来看看吧!哈喽~今天学习记录的是数据分析实训小案例。就用这个案例来好好巩固一下 python 数据分析三剑客。

a17348的博客 1239

YOLO26 网络结构逐模块解析:Backbone/Neck/Head

本文解析了YOLO26目标检测网络的架构设计,重点介绍其在Backbone、Neck和Head三个核心组件的创新优化。Backbone采用改进的CSP模块与轻量级注意力机制,提升特征提取效率;Neck使用改进的BiFPN结构实现高效多尺度特征融合;Head采用完全解耦设计简化回归流程。文章详细分析了各模块的技术演进、实现细节和设计思想,通过流程图和代码示例展示了YOLO26的整体架构和关键组件实现。该研究对模型优化、定制开发和硬件部署具有重要指导意义。

一键难忘的博客 1247

基于 VScode 的 git 详细使用指南【保姆级!建议收藏!】

建议收藏!本文介绍了基于VScode图形化界面如何使用git,内容超级详细,保姆级教程,新手必看!!!

你一定能够成为你想要去成为的人。 10万+

华为校招实习机试&华为社招机试20240619-2.排列组合的回文字符串[200分]( Java | Python3 | C++ | C语言 | JsNode | Go)实现100%通过率

如果一个字符串和它反转后的字符串相同,我们称这个字符串为回文字符串,如"aba"是一个回文字符串,"abb"不是一个回文字符串(长度为1的字符串也是回文字符串)。现给定一个字符串,其长度范围为:[1,1000),返回其通过重新排列组合后所有可能的回文字符串的个数(需要去除重复的组合)。返回其通过重新排列组合后所有可能的回文字符串的个数,去除重复的组合后的回文字符串是"abba","baab",因此返回2。解释:排列组合后的回文字符串是"abba" , "baab",因此结果为2。

算法算法算法!!! 831

Git入门(建议收藏)

中心服务器,仅仅是为了方便交换大家的修改,但是这个服务器的地位和我们每个人的PC是一样的。我们可以 把它当做一个开发者的pc就可以就是为了大家代码容易交流不关机用的。没有它大家一样可以工作,只不过“交换”修改不方便而已。git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。同生活中的许多伟大事物一样,Git诞生于一个极富纷争大举创新的年代。

qq_56999918的博客 9757

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")

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

Git上:全网最全最详细的Git安装教程,建议收藏保存

这是安装成功后开始菜单里面的图。有 Git Bash、Git CMD、Git FAQs、Git GUI、Git Release Note,下面我们就分别介绍一下这几个。

Wang_XB_3434的博客 1万+

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

酸狗带你真正的了解的Git【干货建议收藏】

文章目录版本控制Git概述Git历史Git是什么Git特点Git与SVN的区别Git工作流程Git的几个核心概念Git基本操作分支远程仓库公有远程仓库私有远程仓库Git忽略文件常用Git命令 版本控制 在介绍Git之前,我们先了解一下什么是版本控制,具体可参考版本控制 Git概述 Git历史 同生活中的许多伟大事件一样,Git 诞生于一个极富纷争大举创新的年代。Linux 内核开源项目有着为数众广的参与者。绝大多数的 Linux 内核维护工作都花在了提交补丁和保存归档的繁琐事务上(1991-2002年间)

酸狗的博客 5421

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

Git命令快速入门(建议收藏)

Git 是一个开源的分布式版本控制系统,用于敏捷高效地处理任何或小或大的项目。本文一起来学习一下Git的基本操作和分支管理,建议新手收藏。

DreamsArchitects的博客 3558

Git 开发必备 .gitignore 详解!【建议收藏】

???? 作者:Linux猿 ???? 简介:优快云博客专家????,C/C++、面试、刷题、算法尽管咨询我,关注我,有问题私聊! ???? 关注专栏:Linux(优质好文持续更新中……)???? 在使用 git 管理项目过程中,.gitignore 文件是必备的文件,下面来详细说一说! 一、为什么使用 .gitignore ? 在一些项目中,我们不想让本地仓库的所有文件都上传到远程仓库中,而是有选择的上传,比如:一些依赖文件(node_modules下的依赖)、bin 目录下的文件、测试文件等

Muti-Agent 16万+

Git工具安装&基础用法指南

本文系统介绍了Git版本控制系统的基础使用指南,涵盖四大核心模块:安装配置、基础操作、分支管理和远程协作。详细讲解了Windows/Linux系统的Git安装方法,本地仓库的初始化、提交和版本回滚操作,分支的创建、合并与冲突解决,以及GitHub远程仓库的SSH配置和协同开发流程。文章针对新手设计,提供命令行操作和详细说明,包含常见问题解决方案,帮助开发者快速掌握Git的基本工作流程,为团队协作开发奠定基础。

2402_84010018的博客 1754

Git命令集合,建议收藏

Git命令集合,建议收藏1.创建复制一个已创建的仓库创建一个新的本地仓库2.本地修改显示工作路径下全部已修改的文件显示与上次提交版本文件的不同把当前所有修改添加到下次提交中把指定某个文件的修改添加到下次提交中提交本地的所有修改提交之前已标记的变化修改上次提交,请勿修改已发布的提交记录3.提交历史从最新的提交开始显示所有的提交记录显示指定文件的所有修改谁,在什么时间,修改了文件什么内容4.分支与标签显示所有分支切换当前分支创建新分支,基于当前分支创建新的可追溯的分支,基于远程分支删除本地分支给当前的提交分支打

chmod_R_755的专栏 759

Windows 下 Git Bash 终端高效配置指南【建议收藏】

Git Bash为Windows开发者提供了无缝衔接Linux命令行体验的解决方案。本文介绍了Git Bash的核心优势(命令兼容、工具链齐全、跨平台一致),详细讲解了安装方法及将其设为默认终端的配置步骤(Windows Terminal和VSCode)。针对常见问题如配置文件加载异常、终端前缀冗余和中文乱码,提供了实用解决方案,帮助开发者高效搭建Windows下的Linux开发环境。

vortex5的博客 5145

如何在VsCode中使用git(免敲命令版本!保姆级!建议收藏!)

摘要:本文详细介绍了在VSCode中使用Git进行代码管理的完整流程,包括Git安装、插件配置、仓库克隆、代码提交、分支管理(创建/切换/合并分支)、标签管理、冲突解决等核心功能。通过可视化操作界面,大大降低了Git的使用门槛,使新手也能轻松掌握版本控制技巧。文章特别强调了VSCode的三款必备插件(Git History、GitLens、Git Graph)在代码审查、分支可视化和冲突解决中的重要作用,并提供了从本地操作到远程协作的完整工作流指导。

沉在嵌入式的鱼的博客 2万+

Git后悔药大全吐血整理 建议收藏

Git后悔药大全吐血整理 建议收藏

qq_38261819的博客 5921

最全的Git常用命令!!【建议收藏】

文章目录 Git简介配置用户名和邮箱配置https和ssh推送时保存用户名和密码推送到远程仓库正确流程一、新建本地仓库二、配置(全局和项目)三、增加/删除文件四、代码提交五、分支六、标签七、查看信息八、远程同步九、撤销十、其他附:Git常用命令速查表附:Git指令速查表附:资料链接 Git简介 Git是一个开源的分布式版本控制系统,用于敏捷高效地处理任何或小或大的项目。Git是 Linus Torvalds 为了帮助管理 Linux 内...

酸狗的博客 5426

带你过一遍:廖雪峰大神Git教程(建议收藏)

这里是带你过一遍第一期,我来带你过一遍很出名的Git(廖雪峰版)教程,想要查看前面的笔记请翻阅我的优快云博客,作者码字不易,喜欢的话点赞,加个关注吧,后期还有很多干货等着你! 初识Git Git的诞生 2005的时候,linus使用2周时间用C语言写出来了一个Git,供全世界Linux开发者使用 集中式VS分布式 集中式版本控制:版本库是集中存放在中央服务器的,而干活的时候,用的都是自己的电脑,所以要先从中央服务器取得最新的版本,然后开始干活,干完活了,再把自己的活推送给中央服务器。中央服务器就好比是一个

AlaiaCodeingLife 3574

Git基础|配置Git账号信息,Git存储的原理详解【建议收藏】

Git作为分布式版本管理,就需要对用户进行认证,账号名和邮箱,方便开发者从不同的电脑进行登录。同时,要想真的记住Git的命令,也必须要清楚Git的存储、上传原理。

mengxiang_的博客 4068
上一篇: 【Linux】进程间通信
下一篇: 【数据结构】堆的原理&实现
林   子
博客等级 码龄4年 2671粉丝 64原创
评论 10
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

打赏作者

林 子

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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