git 撤销 删除(Linux)

Linux服务器上如何安装OpenCV的库? 您可以通过在代码中包含OpenCV头文件,并链接OpenCV库来使用它。这将开始编译OpenCV库,可能需要一些时间,具体取决于服务器性能和OpenCV版本。步骤5:配置OpenCV库 完成安装后,您需要配置OpenCV库。这些依赖包包括了构建OpenCV库所需的编译器、开发工具、图像和视频处理相关的库。步骤2:安装依赖包 安装构建OpenCV库所需的依赖包。这将配置OpenCV的构建,并生成相应的Makefile。这将把OpenCV库文件安装到系统目录中。这将使系统识别到刚刚安装的OpenCV库。 阅读详情

工作区 暂存区

将文件提交到Git版本库是分两步:

1,git add 将文件添加进去就是 将文件添加到暂存区

2,git commit 提价修改 就是就是把暂存区所有内容提交到当前分支(创建版本库时,自动创建了master分支)

 

可以理解为:将需要提交的文件修改 统统放到暂存区,然后一次性提交暂存区所有修改。

1.git管理的是修改

而不是文件

对于每次的修改,如果不限加到暂存区中,就不会加入到commit中

2.撤销修改

git checkout -- 文件名

将在工作区的修改全部撤销

1. 可能修改后还没放到暂存区,撤销修改回版本库一样的状态

2. 可能添加暂存区后 撤销修改回到添加暂存区后的状态

总之让他回到最后一次 git add 或git commit 状态

 

场景一 改乱了工作区的内容,想直接丢弃工作区

git checkout -- 文件名

 

场景二 假如你 git add 了

1.后用 git reset HEAD文件名 (HEAD表示最新版本)把暂存区修改回退到工作区(场景一)

2.再丢弃工作区的修改  git checkout -- 文件名(按场景一做)

 

场景三 假如你git commit 提交了

1. 版本回退(前提:没有远程推送)

3.删除文件

1. 确定要删除

git rm 文件名

git commit -m “文件被删除”

 

2. rm 文件 (删错了)

可以将误删的版本恢复到最新版本

git checkout --test.txt

checkout(就是用版本库的版本替换工作区的版本,无论工作区是修改还是删除都可以“一键还原”)

Ubuntu20.04下opencv的安装 Ubuntu20.04下opencv的安装 1.进入opencv官网下载 [opencv下载地址](https://opencv.org/releases/ 选择sources下载相应版本的压缩包。 解压文件,放到home/(用户名)/下。 2.2安装opencv的依赖 打开终端,输入以下命令,安装最新的CMake。 sudo apt-get update sudo apt-get upgrade sudo apt install cmake 安装opencv依赖项 sudo apt-get instal 阅读详情

相关推荐

Linux CentOS 8.x 安装Git、卸载Git

这里我的安装目录是 //devtools/git ,安装目录可以自定义。4、进入Git项目后准备编译源码,安装编译所需要的依赖(必须)2、下载对应版本的 tar.gz 包,解压到对应目录下。等待看到 Complete!后,说明安装依赖成功。1、在 git 官方的github下载对应版本包。3、解压后,进入到项目目录。6、配置 git 环境变量。7、刷新配置文件使之生效。8、查看 git 版本。2】删除git安装目录。2、查看 git 版本。查看git的安装位置。

hkl_Forever的博客 2309

安装OpenCV

安装opencv 下载opencv,下载opencv_contrib 注意: 2.x版本无contrib; opencv与opencv_contrib版本号应相同; 解压两文件,并将后者放入前者内; 安装依赖项:sudo apt-get install build-essential sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev sudo apt-

CC977的博客 4987

二维“能量源”(电场、磁场、功率)入射边界设置方法

comsol光学仿真设计相关学习笔记和经验 1. 二维“能量源”(电场、磁场、功率)入射边界设置方法 2.边界条件设置薄膜材料

VJCP_90909Bu0的博客 5200

linux和windows下下载安装opencv方法

1.Linux 下安装opencv http://opencv.org/releases.html下载对应版本的source, 在linux下解压。 或者进入对应的版本连接,用命令下载例如下载3.3.0版本 wget  https://github.com/opencv/opencv/archive/3.3.0.zip 下载完成解压 unzip opencv-3.3.0.zip 进入o

shuiwowo的博客 6325

影视站泛目录程序(泛目录站群):构建多元化影视内容平台的利器

同时,搭建多元化影视内容平台还能够为平台创造更多商业价值,提升平台的竞争力。构建多元化影视内容平台:通过影视站泛目录程序,影视平台可以整合来自不同渠道和来源的影视资源,打破传统影视平台的局限性,提供更加多样化的影视内容供用户选择。提高用户体验:泛目录站群程序能够自动化处理和分类整理影视资源,提供便捷的搜索功能,使用户能够快速找到所需的影视内容,提升用户的使用体验。增加用户粘性:通过提供多元化的影视资源和个性化的推荐服务,影视站泛目录程序可以吸引用户长时间停留在平台上,增加用户的粘性和忠诚度。

qq_20005121的博客 827

PaddleOCR实战:从零开始打造专属OCR模型的完整指南

本文提供了一份从零开始使用PaddleOCR打造专属OCR模型的完整实战指南。内容涵盖环境搭建、数据标注与准备、模型训练与调优,以及最终的模型转换与部署。重点介绍了如何利用PaddleOCR进行模型训练,并整合PPOCRLabel等工具高效准备数据集,帮助开发者快速构建适用于特定场景的高精度OCR识别能力。

rl6adventurer的博客 733

【OpenCV】如何在Linux操作系统下正确安装 OpenCV

本文详细介绍了在Linux操作系统下正确安装OpenCV的步骤和注意事项,包括环境准备、下载安装OpenCV库、配置编译等内容,帮助读者顺利完成安装过程。通过本文,读者可以轻松掌握在Linux系统中安装OpenCV的方法,为后续的图像处理和计算机视觉项目打下坚实基础。

朝花夕拾 1万+

【PCIe EP 设备入门学习专栏 -- 8 PCIe EP 架构详细介绍】

Synopsys PCIe 5.0 EP 架构由多个功能模块组成,整体遵循分层 + 模块化设计CXPL(事务层 + 链路层 + 物理层 MAC)XADM(仲裁/生成)、XAIM(应用接口)RADM(过滤/路由/Completion)CDM(配置空间)、PMC(电源管理)、LBC/DBI(寄存器访问)MSG_GEN(消息)、CXS(多芯片一致性)

CodingCos的博客 384

linux下的opencv笔记(一)----安装opencv

1、opencv的安装 1.1 安装依赖库 sudo apt-get update sudo apt-get upgrade sudo apt-get install build-essential sudo apt-get install -y libopencv-dev sudo apt-get install libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev sudo apt-get install libtb

qq_43362405的博客 3466

100个Python实战项目(七)实现摩斯密码翻译器

作者主页:海拥 作者简介:优快云全栈领域优质创作者、HDZ核心组成员、蝉联C站周榜前十 粉丝福利:往期获奖记录 每周送6~9本书,不定期送各种小礼品(搪瓷杯、抱枕、鼠标垫、马克杯等) 摩斯密码是一种将文本信息作为一系列通断的音调、灯光或咔嗒声传输的方法,无需特殊设备,熟记的小伙伴即可直接翻译。它以电报发明者Samuel F. B. Morse的名字命名。 算法 算法非常简单。英语中的每个字符都被一系列“点”和“破折号”代替,或者有时只是单数的“点”或“

努力是为了站在万人之中,成为别人的光 1万+

46、大数据助力SDN优化流量管理与控制器

本文探讨了大数据在软件定义网络(SDN)中的应用,重点分析了如何利用大数据技术优化SDN控制器的可扩展性和弹性。通过介绍SDN控制器的核心功能及其面临的挑战,提出了集中式、分布式、混合式和分层式控制器放置策略,并结合大数据分析系统架构与技术,详细阐述了在控制器放置优化、流聚合和备份路径识别等场景中的实际应用。文章还给出了大数据分析在SDN控制器优化中的操作流程与优势,展望了未来结合人工智能与物联网的发展方向,强调了数据安全与算法效率的重要性。

xx56789的博客 88

Opencv的安装(Linux版本)

1.更新系统 1.sudo apt-get update 2.sudo apt-get upgrade 2.安装一些必要的支持库 2.1 OpenCV的相关工具 sudo apt-get install build-essentia 2.2 OpenCV 图像工具包 sudo apt-get install cmake git pkg-config libjpeg8-dev libtiff5-dev libjasper-dev libpng12-dev li.jpg120dev su...

ben7889的博客 804

(4-2)A*

实际已经花费的代价(g(n)):从起点到当前节点n的实际路径代价。启发式估计的剩余代价(h(n)):从当前节点n到目标节点的估计路径代价。这是A算法的关键之一,启发式函数要足够接近实际代价,但又要高效计算。如果启发式函数等于0,A算法就相当于Dijkstra算法。实现A*算法的核心步骤如下所示。(1)初始化:将起点加入开放列表(open list),并将其f值设为g值和h值的和。(2)循环:从开放列表中选择具有最小f值的节点作为当前节点。如果当前节点是目标节点,算法结束;

码农三叔 1808

GetAdapterInfo得到MAC地址精简版C++源码

#include #include #include #pragma comment(lib,"Iphlpapi.lib") int main() { PIP_ADAPTER_INFO pAdapterInfo; PIP_ADAPTER_INFO pAdapter = NULL; DWORD dwRetVal = 0; ULONG ulOutBufLen; pAdapterInfo=

LiangHC 4216

手把手教你学基带SOC芯片(4.4.9)--基带芯片的电源管理实例:高通 Snapdragon 系列实例(十)

Snapdragon 888 通过支持多种深度睡眠模式,如 AOAC 模式、低功耗模式和深度睡眠模式,以及智能电源管理技术,实现了对功耗的精细管理。这些模式不仅延长了设备的电池寿命,还确保了用户在各种使用场景下的良好体验。无论是保持网络连接、限制后台活动,还是完全关闭不必要的功能,Snapdragon 888 都能够灵活应对,提供高效的功耗管理方案。

MHD0815的博客 741

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

WindowsAPI|每天了解几个winAPI接口之网络配置相关文档Iphlpapi.h详细分析5

本文分析了Windows IP Helper API中的三个关键函数: GetOwnerModuleFromPidAndInfo - 用于检索与特定进程ID和网络信息关联的模块所有者信息,帮助识别网络端点的拥有者。该函数需要提供PID、网络信息、信息类别等参数,返回模块所有者数据。 GetIpStatistics - 获取IP协议统计信息,包括IPv4/IPv6的数据包收发、转发、错误等详细指标。通过填充MIB_IPSTATS结构体返回全面的网络层统计数据。 GetIcmpStatistics - 检索IC

编程改变世界。想做一些改变世界的产品。感谢一键三连。 1661

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

IpHelper API GetIfTable

先用GetInterfaceInfo获取所有适配器列表(其中包括拨号网络) 在针对每个适配器,用GetIfEntry获得每个适配器的详细信息 这2个函数是iphlpapi中的函数,需要在代码前面包含头文件,并指明链接库文件 #include #pragma comment(lib, "iphlpapi.lib") 下面是我以

fin86889003的专栏 1195

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")

如何在Linux上安装OpenCV

在Linux和Ubuntu上安装OpenCV

weixin_47665864的博客 5360

linux - git安装与卸载

5.校验git是否安装成功。2.解压下载后的git包。

weixin_68312438的博客 1775

Opencv编译安装教程(Linux)

一、安装环境一、安装环境虚拟机:opencv版本:二、编译和1、源码下载:opencv链接2github下载注意事项和opencv版本要对应2、安装前准备在自己虚拟机的主目录中创建一个,将两个源码包解压的文件夹放入其中:mkdircdmkdirbuildcdbuild安装依赖项安装sudo-yg++sudo-ycmakesudo-ymakesudo-ywgetsudo-yunzip安装opencv依赖的基本库。

weixin_65269400的博客 6061

【Linux opencv环境安装】

1.下载OpenCV:首先需要从OpenCV官网(https://opencv.org/releases/)2.安装依赖项:在安装OpenCV之前,需要先安装一些必要的依赖项,例如cmake、gcc、g++等。3.编译OpenCV:下载OpenCV后,需要将其编译成可执行文件make -j4 # 使用4个核心进行编译4.配置环境变量:编译完成后,需要将OpenCV添加到系统环境变量中,以便在终端中使用OpenCV库。

qq_45193535的博客 987

Linux下安装opencv.3.4.15并初步使用

一。

qq_52445967的博客 4422

Linux下安装opencv并初步使用

目录下载安装opencv下载流程配置环境代码测试图像处理使用opencv库编写打开摄像头压缩视频的程序问题及解答参考文献 下载安装opencv 下载流程 1.从官网下载opencv,由于是在Linux下使用,下载source版本 2.下载好后解压 unzip opencv-3.4.15.zip 配置环境 1.安装cmake sudo apt-get install cmake 2.依赖环境 sudo apt-get install build-essential libgtk2.0-dev lib

louderIII的博客 4万+

OpenCV介绍及安装(linux)

其使用一系列c语言函数和少量c+类实现,它包含了大量的图像处理和计算机视觉算法,这些算法被封装成了一系列易于使用的函数,使得开发者能够快速地构建出复杂的视觉应用。OpenCV支持多种操作系统,包括Linux、Windows和macOS,并且提供了多种编程语言的接口,如C++、Python、Java等,opencv可以运行在linux系统上,且其轻量,高效所以在嵌入式领域得到广泛的应用;在Ubuntu等基于Debian的Linux发行版上,可以使用apt-get等包管理器直接安装OpenCV。

z 8290

Linux(Ubuntu 16.04)中安装OpenCV + OpenCV_Contrib (国内快速下载安装)

首先,准备一下开发环境: Ubuntu 16.04 64位 cmake ant jdk git python 选择一个存放安装文件的目录打开终端, 接下来,从gitee中down下OPenCV + OpenCV_Contrib库(建议使用国内托管库gitee下载): git clone https://gitee.com/mirrors/opencv_contrib.git cd opencv git clone https://gitee.com/mirrors/opencv_contrib.git

qq_36559293的博客 2042

Linux下安装OPENCV

opencv安装

shen_xw的博客 1694
上一篇: git 版本回退(Linux)
下一篇: git 远程仓库github 添加与克隆(Linux)
Lxy_Python
博客等级 码龄9年 19粉丝 31原创
评论
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