git常用

Git - git常用指令和详细教程 场景一:备份小明负责的模块就要完成了,就在即将Release之前的一瞬间,电脑突然蓝屏,硬盘光荣牺牲!几个月 来的努力付之东流场景二:代码还原这个项目中需要一个很复杂的功能,老王摸索了一个星期终于有眉目了,可是这被改得面目全非的 代码已经回不到从前了。什么地方能买到哆啦A梦的时光机啊?场景三:协同开发小刚和小强先后从文件服务器上下载了同一个文件:Analysis.java。小刚在Analysis.java 文件中的第30行声明了一个方法,叫count(),先保存到了文件服务器上; 阅读详情

git常用



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 查看本地所有分支 
git commit -am "init" 提交并且加注释 
git remote add origin git@192.168.1.119:ndshow 
git push origin master 将文件给推到服务器上 
git remote show origin 显示远程库origin里的资源 
git push origin master:develop 
git push origin master:hb-dev 将本地库与服务器上的库进行关联 
git checkout --track origin/dev 切换到远程dev分支 
git branch -D master develop 删除本地库develop 
git checkout -b dev 建立一个新的本地分支dev 
git merge origin/dev 将分支dev与当前分支进行合并 
git checkout dev 切换到本地dev分支 
git remote show 查看远程库 
git add . 
git rm 文件名(包括路径) 从git中删除指定文件 
git clone git://github.com/schacon/grit.git 从服务器上将代码给拉下来 
git config --list 看所有用户 
git ls-files 看已经被提交的 
git rm [file name] 删除一个文件 
git commit -a 提交当前repos的所有的改变 
git add [file name] 添加一个文件到git index 
git commit -v 当你用-v参数的时候可以看commit的差异 
git commit -m "This is the message describing the commit" 添加commit信息 
git commit -a    -a是代表add,把所有的change加到git index里然后再commit 
git commit -a -v  一般提交命令 
git log 看你commit的日志 
git diff 查看尚未暂存的更新 
git rm a.a 移除文件(从暂存区和工作区中删除) 
git rm --cached a.a 移除文件(只从暂存区中删除) 
git commit -m "remove"  移除文件(从Git中删除) 
git rm -f a.a 强行移除修改后文件(从暂存区和工作区中删除) 
git diff --cached 或 $ git diff --staged 查看尚未提交的更新 
git stash push 将文件给push到一个临时空间中 
git stash pop 将文件从临时空间pop下来 
--------------------------------------------------------- 
git remote add origin git@github.com:username/Hello-World.git 
git push origin master 将本地项目给提交到服务器中 
----------------------------------------------------------- 
git pull 本地与服务器端同步 
----------------------------------------------------------------- 
git push (远程仓库名) (分支名) 将本地分支推送到服务器上去。 
git push origin serverfix:awesomebranch 
------------------------------------------------------------------ 
git fetch 相当于是从远程获取最新版本到本地,不会自动merge 
git commit -a -m "log_message" (-a是提交所有改动,-m是加入log信息) 本地修改同步至服务器端 : 
git branch branch_0.1 master                  从主分支master创建branch_0.1分支 
git branch -m branch_0.1 branch_1.0       将branch_0.1重命名为branch_1.0 
git checkout branch_1.0/master              切换到branch_1.0/master分支 
du -hs 

----------------------------------------------------------- 
mkdir WebApp 
cd WebApp 
git init 
touch README 
git add README 
git commit -m 'first commit' 
git remote add origin git@github.com:daixu/WebApp.git 
git push -u origin master 
RK3568平台开发系列讲解:内核启动流程 第 493 行的 ENTRY 指明了了 Linux 内核入口,入口为stext,stext 定义在文件arch/arm/kernel/head.S 中 , 因此要分析Linux 内核的启动流程,就得先从文件arch/arm/kernel/head.S 的 stext 处开始分析。_mmap_switched 定义在文件 arch/arm/kernel/head-common.S,__mmap_switched 最终会调用 start_kernel 函数。⑥、r2=atags 或者设备树(dtb)首地址。 阅读详情

相关推荐

Win10系统VS2019+Cmake+qhull_8.0.0环境配置

1 qhull 1.1 简要介绍 qhull是一个强大的计算几何库,可以用于计算高维的convex hull, Delaunay triangulation, Voronoi diagram等。 1.2 依赖库 qhull不依赖其他库。 1.3 源码包下载 qhull源码地址:github:https://github.com/qhull/qhull.git 2 Cmake构建项目 2.1 路径 源代码路径:D:/ThirdParty/qhull/qhull_8.0.0构建项目路径:D:/Thi.

wangchenxue的博客 2495

Git 常用命令

Git 常用命令记录,方便后续查询使用

Mwt258的博客 1539

1.毫米波雷达心率、呼吸原理实现(一)实例

毫米波雷达心率、呼吸检测原理本项目分两到三篇文章写完,第一阶段借鉴TI开源项目以及根据自己的见解适当更改信号处理链通过AWR1843汽车雷达传感器和DCA1000采集卡采集数据完成人体呼吸和心跳检测算法的实现。第二阶段将仿真成功的代码搬移TIAWR1843传感器并通过串口数据实现生命体征的实时处理。本文即为第一阶段实现过程。本文首先概述毫米波雷达呼吸心跳检测的原理,紧接着概述本项目信号处理流程,另外本项目第一阶段通过matlab仿真验证算法的有效性,仿真源码可关注小编并私信可取。1.概述。

Poulen的博客 2万+

Git的常用操作

本文介绍了Git代码托管平台Gitee和GitHub的基本使用方法,重点讲解了在IDEA中配置Git的操作步骤。内容包括:1) Git环境配置;2) 获取Git仓库的两种方式(本地初始化和远程克隆);3) 本地仓库操作命令(status/add/commit/log/reset);4) 远程仓库操作(remote/push/pull);5) 分支管理(创建/切换/合并分支)。文章强调使用IDEA图形化界面简化Git操作,同时提供了常用Git命令的参考说明,适合开发者快速掌握Git的基本工作流程。

qq_53523741的博客 950

CCS环境下ADC采样波形的实时可视化调试技巧

本文详细介绍了在CCS环境下实现ADC采样波形实时可视化的调试技巧。通过数组缓存优化、多通道同步显示和波形测量工具的高级用法,帮助开发者高效调试嵌入式系统中的ADC采样问题,提升信号分析的准确性和效率。

weixin_33712987的博客 420

nvprof:CUDA编程性能分析工具

NVIDIA提供了具有高性能计算的GPU产品,如何检验硬件的实际性能,写出高效的CUDA代码让算力加速卡物尽其用,那可以通过其配套提供的“护城河”软件工具链来检验和帮助发挥GPU的性能:nvprof。如下,对于将8192个A,B向量进行向量加法运算,即C[i] = A[i] + B[i],当软件设置不同的blocknum, threadnum时候,CUDA执行kernel的时间是不同的。比如如下命令,可以看到程序tmp1的总体性能,下面一行是打印gpu的执行时间情况。

Briwisdom的博客 3385

Git常用命令总结

1、git fetch 取回所有更新分支信息2、git branch -a 查看所有分支信息3、git branch 查看当前分支信息4、git checkout “分支名” 切换分支5、git init 初始化git仓库6、git clone “ 克隆地址 ” 拉取项目7、git pull 拉取代码8、git status 查看修改的文件git status -s / git status --short 查看更加简洁的状态信息。

askuld的博客 2325

【迁移学习】域对抗迁移网络 DANN

Domain-Adversarial Training of Neural Networks

这个博客太懒了什么都没说 8419

常用git命令

总的来说就是git reset 是回到你指定的那个提交,但是如果这个项目你已经分享给团队了而且有人已经在这个提交上做了修改的话,你再回到这次提交里面就会包含了别人修改的内容,这就是改变历史。而使用git revert 是新建一个提交,这个提交会撤销掉你指定的提交的修改,也就是不会往你之前的提交里面加东西,所以它是不会改变历史的。git reset --soft commit编号 //将 HEAD 指向指定的提交,但保留暂存区和工作区的提交的状态,把提交的记录也删掉,即三个区里面的修改都被撤销了。

weixin_72280926的博客 1183

H医药公司配送中心布局仿真优化

新增2个Source,Source1命名为“货物到达”,用来进行仿真供应商原料到达,Source2命名为“订单到达”,用来进行仿真客户需求订单的到达,如下图是设置两个发生器的具体参数。通过主操作界面上的各个实体工具,如发生器、暂存区、货架、处理器、吸收器等实体工具对初始模型和优化后的方案模型进行仿真建模,建立优化前后的模型图如下图所示。通过下表可以看出,优化前操作员的总运行距离为132.11km,而优化后操作员的总运行距离为128.17km,运行距离缩短,操作员的疲劳强度降低。

m0_72514516的博客 2530

5、自动化代码结构与运维系统的优化

本文探讨了自动化代码结构与运维系统的优化方法,涵盖审批流程的模块化设计、日志记录与工单系统的集成、通知方式的选择、错误处理的策略以及持续改进的实践。同时,深入分析了运维盲目性问题,通过故障案例揭示了关键指标缺失和日志未充分利用的弊端,提出了开发与运维角色转变的必要性。文章还介绍了如何生成有用的系统指标、建立良好的日志习惯以及实施日志聚合,以提升系统的可观测性和可靠性。最终通过总结和流程图展示了优化措施的核心要点,为构建高效、可靠的运维体系提供了指导。

pp12345的博客 71

git 常用命令

git diff 是一个非常强大的工具,能帮助你在提交代码之前或在代码回溯时检查具体改动。无论是工作区、暂存区还是提交之间的差异,git diff 都能以直观的方式展示细节。通过熟练掌握 git diff,你可以更好地控制代码质量和改动的准确性。

一名想做出点成就的后端~ 5523

TenserRt平台SMOKE 3D目标检测部署完整教程:从理论到实践

本教程详细介绍了在RK3588平台上部署SMOKE 3D目标检测模型的完整流程。SMOKE是一种创新的单阶段单目3D检测方法,通过关键点估计直接预测3D目标信息,有效解决了深度信息缺失等挑战。文章从理论基础出发,解析了SMOKE的核心算法和网络架构,包括DLA-34主干网络和关键点中心化策略。同时提供了详细的Docker环境配置、模型导出到ONNX格式的实践指南,以及TensorRT引擎构建和性能优化的关键技术要点。该教程为开发者在嵌入式平台上实现高效3D目标检测提供了完整的技术参考。

LXY_LOVE36的博客 373

Git常用

git详解:http://www.liaoxuefeng.com 工作项目使用 //缓存并更新代码 step1:git stash git pull git stash pop //查看文件状态 step2:git status //多个文件中间空格隔开 step3:git add 要提交的文件 要提交的文件 step4:git c

ZY_RainBow的博客 1259

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

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")

一些常用的git命令及上传git操作

一些常用的git命令以及一些可能会遇到的问题

2403_87737566的博客 1425

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

git常用操作

git 工作流程 创建 / 拉取仓库 git init 初始化仓库 git clone (url) 拉取远程仓库(常用) 代码提交 git add 添加文件到仓库 “git add .” 新增本地所有修改(常用) git status 查看仓库当前的状态,显示有变更的文件(常用) git diff 比较文件的不同,即暂存区和工作区的差异 git commit 提交暂存区到本地仓库,加 -m ‘备注文字’(常用) git reset 回退版本。 git rm 删除工作区文件 git mv .

欧阳的技术博客 8055

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

git常用命令总结

参考学习链接:https://www.liaoxuefeng.com/wiki/0013739516305929606dd18361248578c67b8067c8c017b000 Linux 下git安装 $ git The program 'git' is currently not installed. You can install it by typing: sudo apt-get ...

m0_37568814的博客 1345

git常用命名汇总

常用 将本地项目初始化 # $ git init # 给项目添加远程仓库 $ git remote add origin git@github.xxx.git # 本地分支和远程分支建立联系(使用git branch -vv 可以查看本地分支和远程分支的关联关系) $ git branch --set-upstream-to=origin/远程分支 本地分支 查看 # 查看工作...

脚印 2854

git 的常用命令

git 的常用命令

一个码头 3034

Git 常用命令大全

一、 Git 常用命令速查 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@192.168.1.119:ndshow git push origin master 将文件给推到服务器上 git remote show origin 显示远程库o...

Thancks 928

Git常用总结

Git常用总结

CaptainDrake的博客 1226

Git常用命令

设置本地分支与远程分支的关联,下次推送可以直接使用 git push。: 将所有已跟踪文件的修改提交到本地仓库,并附带提交信息。: 查看仓库状态,包括修改过的文件、暂存区文件等。: 将暂存区的文件提交到本地仓库,并附带提交信息。: 将当前分支的提交 rebase 到指定分支上。: 从远程仓库获取最新代码,但不合并到本地分支。: 只回滚提交记录,工作区和暂存区不受影响。: 修改上次提交,包括提交信息和文件内容。: 回滚提交记录和暂存区,工作区不受影响。: 通过创建一个新的提交来撤销指定的提交。

2301_76962889的博客 983

git的常用指令

git init 创建一个git仓库,创建之后就会在当前目录生成一个.git的文件 初始化一个能让git进行管理的仓库 git status 可以查看当前git所处的状态,比如可以查看本次修改的内容,是否保存到本地仓库等… git add 向暂存区添加文件,用法: 例如: git add login.vue,就是添加单个文件到暂存区,也可以将全部的文件添加,用法: git add . git commit -m “描述” 对本次修改内容的描述,一次提交缓冲区的所有文件,可以将..

一心向学 126

GIT 常用操作

GIT 总结

阿呆的隐秘角落 2511
上一篇: SVM
下一篇: 如何使用win7自带的备份还原以及创建系统镜像------傻瓜式教程
TreeFish2012
博客等级 码龄14年 25粉丝 1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