Gitte (https://gitee.com/) 常用git指令--实例

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 3k累计阅读 3.1k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄7年

关注

原创最新推荐文章于 2026-05-28 15:29:57 发布 3k 阅读 AI 写同款· GEO 优化 ›

Git与代码托管平台目录一、Git与代码托管平台 1.Git 2.代码托管平台 3.使用Gitee 1.Gitte介绍 2.在Gitte中创建仓库 4.Git命令本地仓库：远程操作一、Git与代码托管平台 1.Git 是目前世界上最先进的分布版本控制系统 Git安装（1）下载安装包，下载地址：httpL://git-scm.com/downloads （2）双击运行，然后按默认选项安装即可（3）校验是否安装成功。打开命令... 阅读详情

简易的命令行入门教程:

Git 全局设置:

git config --global user.name "华王"
git config --global user.email "huawang400@gmail.com"

创建 git 仓库:

mkdir suwen
cd suwen
git init
touch README.md
git add README.md
git commit -m "first commit"
git remote add origin https://gitee.com/HuaWang400/suwen.git
git push -u origin master

已有仓库?

cd existing_git_repo
git remote add origin https://gitee.com/HuaWang400/suwen.git
git push -u origin master

收录于

git使用

当前文章被收录于：

git使用

3 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

Gitee的使用（Windows/Linux）将你的本地仓库与 Gitee 上的远程仓库关联起来。过程中遇到冲突，Git 会提示你解决冲突。点击Push，第一次上传会显示以下内容，这里填注册Gitte时的账号和密码。选择ok，显示Finshed Success，Add到本地仓库成功。输入完指令后需要一次回车，一次输入y，两次回车即可生成公钥。将y.pub文件里的内容复制到下图的公钥里面，标题随意起。在仓库在创建文件，完成后在仓库中右击鼠标选择Add…输入账号和密码后显示Success就上传成功了！可以看到生成公钥的路径为：y.pub。阅读详情

相关推荐

gitee最详细使用教程，汇总了全网，看这一篇就够了

新建个文件夹方便看，进入到这个文件夹，鼠标右键-打开git bash命令窗口--复制网站上的ssh链接-在刚才的Git窗口中输入命令 git clone 然后右键即可。git push origin master -f //（强制提交，强制提交可能会把之前的commit注释信息，不会改变修改的代码，慎用），都是提交到master分支。在官网---个人---设置---ssh公钥---下面的公钥文本域（大的输入框）复制进去---上面的标题是随意改的，给自己看的---确定。这步是将本地文件初始化为本地仓库。

lm_love_hxl的博客 5771

gitte创建仓库和拉取代码

终于知道怎么拉代码提代码啦~~~

LIHAHA__的博客 2491

数据分析大作业：使用Python相关算法对某地区房地产价值进行分析报告完整代码+报告

数据分析大作业：使用Python相关算法对某地区房地产价值进行分析报告完整代码+报告 **1、**房价和哪些因素有关，在之后的中介推销中重点关注 **2、**开发商该如何建造房屋才能让更多的客户来选择购买居住 **3、**预估房屋价值，给房产中介提供合理的房价信息

项目上传至Gitte

一、Gitte的含义 Gitee（码云）是开源中国社区推出的代码托管协作开发平台，支持Git和SVN，提供免费的私有仓库托管。二：Gitte的作用 Gitee专为开发者提供稳定、高效、安全的云端软件开发协作平台，无论是个人、团队、或是企业，都能够实现代码托管、项目管理、协作开发。三：将IDEA中的项目上传到Gitte的具体操作 1、首先登录到Gitte官网注册一个账号。 Gitee - 基于 Git 的代码托管和研发协作平台 2、在idea上创建本地仓库。依次将要上传的项目在ID.

天上下雨地上滑，自己跌倒你自己爬 9226

TI MSPM0G3507 循迹小车强制寻黑线代码一

一个基于MSPM0微控制器的循迹小车控制系统。系统通过8路循迹传感器检测黑线位置偏差，使用PID算法计算电机控制量。主程序初始化中断、PWM等外设，在按键触发后进入循迹模式。传感器数据处理函数根据检测到的黑线位置返回偏差值(-7到7)，PID控制器根据偏差调整左右电机速度。系统还包含限幅处理、中断服务等模块，实现稳定的自动循迹功能。代码结构清晰，展示了嵌入式系统中传感器数据处理、电机控制和PID算法的典型实现方式。

雾削木的优快云博客 1855

android so文件攻防实战-美团libmtguard.so反混淆

接下来的代码很多都是这种动态计算跳转地址的。修复结束之后跟踪指令，0x3434处的代码跳到了0x345A，0x345A处的代码主要逻辑是在0x34C6跳到0x34EC通过0x34EC动态计算地址跳到了0x3520，0x3524处的代码跳到了0x365C，0x366E处的代码跳到了0x35A8，0x35A8是JNI_OnLoad的主要逻辑。BEQ和BNE是一对条件相反的跳转，这之前计算出接下来指令的地址0x3430赋值给R4，loc_340C处的代码通过POP指令将R4的值给PC，看0x3430处的代码。

2503_90751938的博客 1381

代码上传到gitee

若出现下面这种情况，按提示处理就好后在重复执行一下git commit 指令，没有的话就继续进行第四步。输入ll查看文件内容，若克隆成功则此时文件中会多出刚刚克隆的文件名称。1.使用 git clone + 仓库地址克隆文件到linux中。3.git commit -m + “本次修改信息”2、创建仓库之后找到对应仓库网址。2.git add + 文件名。1、先在仓库新建代码仓库。

W_0zb___的博客 787

spoon工具的常用基础操作

先创建一个作业，这个作业流程，包括进行设置变量转换，查询结果输出转换，方便后续循环。整个流程写完后，执行作业5_执行整个流程，成功后，可以在数据库查看结果。，新建一个转换，excel表输入然后复制记录到结果，保存转换文件。这三个用户下都有一张emp表分别是三个部门的用户信息。，新建一个数据库连接，变量命名用户名和密码。成功执行后，可以到保存的excel位置进行查看。emp表输入，可以进行预览查看数据有没有过来。输出到一直excel表，运行结果输出。，新建一个转换，拖拽。

qq_43583887的博客 5831

低代码平台种草推荐

告别繁琐，拥抱未来！只需简单拖拽，Vue代码即刻生成，一键下载，轻松上手。我们的低代码平台，不仅高效便捷，更完全开源，让你自由探索编程的无限可能！满意的话记得在gitte上点亮五角星哦！

(黎子)人生编码 223

ENS160传感器原理图设计，已量产（空气质量传感器）

ENS160 是一款集成式数字空气质量传感器，核心优势源于 “MEMS 传感元件 + 内置微处理器” 的架构。

不脱发的程序猿 569

016、自动标注方案实战：用大模型（SAM/Grounding DINO）生成 YOLO 格式伪标签

本文介绍了一种利用大模型自动生成YOLO格式伪标签的实战方案。针对传统人工标注效率低、易出错的问题，作者提出结合Grounding DINO（零样本检测）和SAM（精细分割）的优势：前者快速生成候选框，后者优化边界精度。文章详细阐述了技术选型理由（平衡速度与精度）、环境搭建避坑指南（关键依赖版本）、核心三步流程（检测-分割-格式转换）以及后处理技巧（置信度分级过滤）。实验表明，该方案相比纯人工标注可节省80%时间，且经过SAM优化的边界框精度提升10-15%。特别强调了工程细节：文本描述格式、阈值设定、小目

zzfmlxs的博客 544

Ubuntu 26.04 LTS 安装常用软件输入法 ubuntu

安装 Nautilus Admin 「以管理员身份打开」和「以管理员身份编辑」统一Win10和Ubuntu18.04双系统的时间。为Ubuntu Dock启用“最小化点击”鼠标右键没有新建文档。

爱上编程已很久 2284

AutoSAR从0开始实战 --- 目录

本专栏是全网最真实的AutoSAR实战专栏，博主将从一个0基础小白的身份来讲解AutoSAR工具的配置，以及相应代码的讲解。

wj博客 1728

Gitte使用教程

gitte使用笔记

bigshowbrother的博客 3950

MNI152 坐标空间和 fsaverage 坐标空间相互转换，如已知fsaverage空间的坐标如何求MNI152 坐标？aparc.a2009s.annot转化到MNI152空间？

大多数神经影像学研究的结果是在体积（例如，MNI152）或表面（例如，fsaverage）坐标系中报告的。体积坐标系和表面坐标系之间的准确映射可以促进许多应用，例如将 fMRI 组分析从 MNI152 投影到 fsaverage 以进行可视化或从 fsaverage 投影静息状态 fMRI 分区对 MNI152进行新数据的体积分析。Wu et al., 2018 评估了三种在 MNI152通过模拟上述应用的 Colin27 和 fsaverage 坐标系：将组平均数据从 MNI152/Colin27 投影到

从事脑科学核磁共振方法学研究，在Nature communications等权威期刊发表研究论文，熟练掌握磁共振处理方法和统计学方法，欢迎大家和我交流。 2966

OpenCV C++ 图像处理实战 ——《基于轮廓比对的缺陷检测》

本文使用OpenCV C++ 实现基于轮廓比对的缺陷检测。

Zero___Chen的博客 1146

gitte

我们首先需要两个工具git和小乌龟，下载是有先后顺序的，现下git,后乌龟。将写的代码克隆后，在文件处点击鼠标右键-显示更多选项-Add-ok-commit-写备注例如5.1-commit-push-ok,看到success(成功)字样，就会成功，在网站gitte中出现绿点，表示打卡一次（贡献一次）。平台有gitte和github,由于国内和国外访问的不同路径，国内访问github较难，时常间断，推荐gitte.启动失败：可在官网重新安装(64x)，建议安装在c盘。

2402_87771738的博客 510

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/

【Gitee】上传本地项目到 Gitee 仓库（入门篇）

上传本地项目Gitee的步骤详解

liuwanqing233333的博客 2万+

Probability and Statistics - 4th edition

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

学习git 和gitte的使用

主要参考gitte教程 git常用命令一将本地代码同步到gitte 1 添加到本地仓库，（暂存区） git add hello_world.c 2 备注一下 git commit -m "上传第一个代码,hello world" 3 push到gitte git push -u originmaster ...

m0_52090088的博客 2448

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")

idea整合gitte团队协作开发项目

idea整合git（码云）团队协作开发

blue__sky12的博客 4360

本地项目上传到Gitte详细步骤

简单的操作来个简单的教程，我想大家在团队开发及一些代码需要进行备份（防止被删之后找不到的情况下）这时候就需要将你的项目上传到Git上，所以这个教程肯定对你有用。

m0_59777100的博客 2898

如何使用Gitte获取和上传代码

Gitte获取上传代码

yrxnnn的博客 6321

将linux的代码上传至gitte，从创建到linux命令详解

选择语言根据自己的需求，gitignore点击同样语言即可，可以避免上传除目标代码外的其他过多文件输入红色区域命令行 ---》 git --help 如果出现蓝色区域则说明已安装如果没有安装则输入--》 yum install git 输入命令 --》 git clone 你的远端仓库路径进入本地仓库，如果出现蓝色的这仨个文件夹则说明成功：如果遇到问题: git上传提交的时出现：Please tell me who you are.问题分别输入一下两行命令git confi