SVN命令

focusjava focusjava 博客等级 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 800+累计阅读 843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14年
关注
原创 最新推荐文章于 2026-03-16 09:24:37 发布 843 阅读 AI 写同款· GEO 优化 ›
【TortoiseSVN】在SVN提交Commit后补充修改log信息的方法 【TortoiseSVN】使用svn propset --revprop -r 100 svn:log 'Your new log.'在SVN提交后补充修改log信息的方法。 阅读详情

SVN版本：1.5 及更新版本

名词说明：

WC：Working Copy 你的工作区

Versioned：受控的；受版本控制的

 

SVN是什么？

 

  • SVN是开源的版本控制系统。
  • 比CVS更多的特性。一个更好的CVS？因此SVN具有大部分CVS拥有的特性。
  • 不仅仅是文件受控，目录也加入版本控制。
  • 复制，删除，重命名这些操作都是受控的。
  • 特殊作用的元数据（属性）。
  • 提交事务原子性。提交完成之前任何一个部分都不会正真生效。版本号基于提交，而不是基于文件。提交时的log message也是依附于提交的那个版本。
  • 创建分支和标记非常简单。简单的通过copy命令就可以创建分支和标记。
  • 合并跟踪。在合并时协助你处理所有的更改点。
  • 文件锁定。svn支持文件锁定修改策略。
  • Unix的link可以受控了。前提是WC必须在Unix下。
  • 可选的Apache network server，基于WEBDAV/DeltaV 协议。熟悉Apache的管理员会很喜欢这一点。
  • 内置的server选择（svnserve）。如果不想用Apache，可以试试Svn自己的server：svnserve。同样也能提供授权和验证，ssh通道等功能。
  • 方便解析的输出。svn的输出尽量做到方便阅读和方便机器解析。
  • 冲突解决交互性良好。svn命令行客户端提供多种不同的方式解决冲突。
  • svn提供一个实用工具，svnsync来实现从主库到只读附属库的同步。
  • 持续写入代理功能让只读的附属库专门处理所有的读请求。所有的写请求交给主库处理。这个功能只在使用Apache WebDAV server的时候才有效。
  • 基于本地化的客户机服务器体系，分层的库，明晰的API方便扩展。
  • 高效处理二进制文件。
  • 性能消耗与更改点的数量成正比。
  • svn的api可以和多种语言集成。Python，Perl,Java,Ruby（svn本身是用C写的）
  • ChangeLists功能。

Svn的安装分客户端和服务端。

你可以在如下地址找到下载：http://subversion.tigris.org/

这篇文章主要介绍的是svn客户端的命令，你至少需要安装客户端。默认就是以SVN做版本控制的。如果你不想在自己机器上安装服务版，google code是个练习svn命令的好地方。

http://code.google.com上申请托管项目很简单，但是现在不支持svn lock。目前最大支持1G空间。

 

以下是svn客户端常用命令一览：

 

svn add [path]

别名：无

描述：添加文件或目录到你的wc，打上新增标记。这些文件会在下一次你提交wc的时候提交到svn服务器。

在提交前，你也可以用svn revert撤销新增的文件。

访问库：否

eg: svn add file.cpp

 

svn blame Target[@REV]

别名：praise,annotate,ann

描述：显示某个已受控文件的每一行的最后修改版本和作者

访问库：是

eg: svn blame file.cpp

eg: svn blame --xml file.cpp  ##加上xml参数可以以xml格式显示每一行的属性。

 

svn cat TARGET[@REV]

别名：无

描述：输出指定目标的内容，这里的目标一般是文件。

访问库：是

eg:svn cat file.cpp

eg:svn cat file.cpp -r 2 ##显示版本号为二的file.cpp内容。

eg:svn cat file.cpp --revision HEAD ##显示最新版本的file.cpp内容。

 

svn changelist CLNAME TARGET...

svn changelist --remove TARGET

别名：cl

描述：可以将wc中的文件从逻辑上分组.

访问库：否

eg:svn cl clName file.cpp file2.cpp file3.cpp  ##将file.cpp等三个文件加入名叫clName的changelist 

eg:svn commit --changelist clName -m "ci"  ##将clName下的所有文件提交

 

svn checkout URL[@REV]... [PATH]

别名：co

描述：检出

访问库：否

eg:svn checkout file:///var/svn/repos/test  file:///var/svn/repos/quiz working-copies

eg:svn checkout -r 2 file:///var/svn/repos/test mine  ##check out 版本号为2的项目

 

svn cleanup [PATH...]

别名：无

描述：递归的清理WC中过期的锁和未完成的操作。

访问库：否

eg：svn cleanup

 

svn commit [PATH...]

别名：ci

描述：把你WC的更改提交到仓库

访问库：是

eg：svn commit -m "added howto section." ##默认情况下提交必须提供log message 

 

svn copy SRC[@REV]... DST

别名：cp

描述:copy操作可以从WC到WC；WC到URL；URL到WC；URL到URL。现在SVN只支持同一个仓库内文件的拷贝，不允许跨仓库操作。

访问库：是

eg：svn copy -r 11 file:///var/svn/repos/test/trunk \

           file:///var/svn/repos/test/tags/0.6.32-prerelease \

           -m "Forgot to tag at rev 11"

##copy命令是创建分支和标记的常用方式。copy到url的操作隐含了提交动作，所以需要提供log messages。

 

svn delete PATH...

别名：del，remove，rm

描述：删除

访问库：如果PATH是库地址时会，删除WC内的文件不会。

eg：svn del localfile.cpp    ##删除WC里的文件，在下一次提交WC的时候才会真正在仓库里将对应文件删除。

eg: svn del file:///var/svn/repos/test/yourfile  ##删除仓库里的文件

 

svn diff

别名：di

描述：用来比较并显示修改点。

访问库：

eg：svn diff   ##最常用的方式，用来显示WC基于最近一次更新以后的所有的本地修改点。

eg：svn diff -r 301 bin ## 比较WC和版本301中的bin目录的修改点

eg：svn diff -r 3000:3500 file:///var/svn/repos/myProject/trunk   ##比较库里主干3000版和3500版的差异。

eg：svn diff --summarize --xmlhttp://svn.red-bean.com/repos/test@r2 http://svn.red-bean.com/repos/test ##--summarize --xml 参数将差异情况以xml文档的方式显示出来。

 

svn export [-r REV] URL[@PEGREV] [PATH]

svn export [-r REV] PATH1[@PEGREV] [PATH2]

别名：无

描述：导出一个干净的目录树，不包含所有的受控信息。可以选择从URL或WC中导出。

访问库：如果访问的是URL则会。

eg：svn export file:///var/svn/repos my-export   ##导出到my-export目录。

 

svn help — Help!

别名：?,h

描述：不用解释了

访问库：否。

 

svn import [PATH] URL

别名：无

描述：导入本地一个目录到库中。但是导入后，本地的目录并不会处于受控状态。

访问库：是。

eg：svn import -m "New import" myproj http://svn.myProject.com/repos/trunk/misc

 

svn info [TARGET[@REV]...]

别名：无

描述：显示指定WC和URL信息。

访问库：仅当访问的是库路径时。

eg：svn info --xml http://svn.myProject.com/repos/test  ##将信息以xml格式显示。

 

svn list [TARGET[@REV]...]

别名：ls

描述：显示目标下的文件和目录列表。

访问库：如果访问的是库地址就会。

eg：svn list --verbose file:///var/svn/repos   ##--verbose参数表示显示详细信息。

 

svn lock TARGET...

别名：无

描述：对目标获得修改锁。如果目标已被其他用户锁定，则会抛出警告信息。用--force参数强制从其他用户那里获得锁。

访问库：是

eg：svn lock --force tree.jpg

 

svn log [PATH]

svn log URL[@REV] [PATH...]

别名：无

描述：从库中显示log消息。log消息代码 A ：added  D：deleted  M：modified  R：replaced

访问库：是

eg：svn log -v http://svn.myProject.com/repos/test/ foo.c bar.c   ##详细显示指定URL的库中foo.c和bar.c所有版本的log信息。

eg：svn log -r 14:15    ##显示当前WC的14和15版本log信息。

eg：##如果版本号不连续，只能采用如下方式。

$ svn log -r 14 > mylog

$ svn log -r 19 >> mylog

$ svn log -r 27 >> mylog

 

svn merge sourceURL1[@N] sourceURL2[@M] [WCPATH]

svn merge sourceWCPATH1@N sourceWCPATH2@M [WCPATH]

svn merge [[-c M]... | [-r N:M]...] [SOURCE[@REV] [WCPATH]]

别名：无

描述：合并两个受控源的不同之处，存放到一个WC里。

访问库：只有当访问库地址时。

eg：svn merge --reintegrate http://svn.example.com/repos/calc/branches/my-calc-branch  ##合并分支上的改变项到WC，往往用于分支合并到主干。

eg：svn merge -r 156:157 http://svn.example.com/repos/calc/branches/my-calc-branch   ##将制定URL版本156到157的所有更新合并到WC。

 

svn mkdir PATH...

svn mkdir URL...

别名：无

描述：在WC或库路径创建目录

访问库：只有当访问库地址时。

eg：svn mkdir newdir

 

svn move SRC... DST

别名：mv, rename, ren

描述：等同于svn copy命令跟个svn delete命令。WC到URL的重命名是不被允许的。

访问库：只有当访问库地址时。

eg：svn move foo.c bar.c  ##将foo.c改名成bar.c。

 

svn propdel PROPNAME [PATH...]

svn propdel PROPNAME --revprop -r REV [TARGET]

别名：pdel, pd

描述：从受控文件，目录等删除属性。第二种是删除某个指定版本上的附加属性。

访问库：只有当访问库地址时。

eg：svn propdel svn:mime-type someFile    ##从someFile上移除svn:mime-type这个属性。

 

svn propedit PROPNAME TARGET...

svn propedit PROPNAME --revprop -r REV [TARGET]

别名：pedit, pe

描述：编辑属性

访问库：只有当访问库地址时。

eg：svn propedit svn:keywords  file.c  ##修改file.c上的svn:keywords属性。

 

svn propget PROPNAME [TARGET[@REV]...]

svn propget PROPNAME --revprop -r REV [URL]

别名：pget,pg

描述：从文件，目录或版本取得指定属性的值。

访问库：只有当访问库地址时。

eg：svn propget svn:keywords file.c   ##从file.c中取得svn:keywords属性的值

 

svn proplist [TARGET[@REV]...]

svn proplist --revprop -r REV [TARGET]

别名：plist, pl

描述：列出文件、目录或版本上的所有附加属性

访问库：只有当访问库地址时。

eg：svn proplist --verbose file.c

 

svn propset PROPNAME [PROPVAL | -F VALFILE] PATH...

svn propset PROPNAME --revprop -r REV [PROPVAL | -F VALFILE] [TARGET]

别名：pset,ps

描述：给文件、目录或版本附加属性并赋值

访问库：只有当访问库地址时。

eg：svn propset svn:mime-type image/jpeg file.jpg   ##给file.jpg附加属性svn:mime-type 其值为image/jpeg

eg:svn propset --revprop -r 25 svn:log "Journaled about trip to New York."

##给版本25补上log message

eg:svn propset svn:ignore '.classpath' . 

##在本地忽略掉.classpath文件

 

svn resolve PATH...

别名：无

描述：将冲突的文件标记为已解决，并且删掉冲突产生的临时文件。注意这个命令并不是能把冲突解决，解决冲突还是得靠人工。

访问库：否

eg：svn resolve --accept mine-full foo.c   ##1.5版本后，加上--accept参数，尝试自动处理冲突。

 

svn resolved PATH...

别名：无

描述：已过时，被resolve --accept取代。去除冲突的状态和冲突临时文件。

访问库：否

 

svn revert PATH...

别名：无

描述：还原WC中所有的本地更改。

访问库：否

eg：svn revert --depth=infinity .   ##将整个目录所有文件还原

 

svn status [PATH...]

别名：stat, st

描述：输出WC中文件和目录的状态。如果WC提交，这些状态就会同步到库里。

一般状态有         ' '  没有修改

'A'  新增

'D'  删除

'M'  修改

'R'  替代

'C'  冲突

'I'  忽略

'?'  未受控

'!'  丢失，一般是将受控文件直接删除导致

访问库：加上--show-updates参数时会

eg：svn status wc

 

svn switch URL[@PEGREV] [PATH]

svn switch --relocate FROM TO [PATH...]

别名：sw

描述：将WC转向一个其他的库地址同步

访问库：是

eg：svn sw http://svn.myProject.com/repos/trunk/vendors .  ##将当前WC切换到另一个URL

 

svn unlock TARGET...

别名：无

描述：解锁

访问库：是

eg：svn unlock somefile

 

svn update [PATH...]

别名：up

描述：更新WC，更新反馈有如下几种分类。

        A  新增

B  锁破坏

D  删除

U  更新

C  冲突

G  合并

E  存在的

访问库：是

eg：svn up -r22   ##更新到一个指定版本

 

ps:如何去除SVN中保存的用户授权密码

在Subversion安装目录下找到auth/svn.simple目录，将下面的文件删除即可。

如果在乌龟中，可以setting->saved data->Authentication Data   点 clear 即可。

收录于
Server

当前文章被收录于：

Server
46 篇文章 0 人学习
订阅专栏 查看详情
iOS

当前文章被收录于：

iOS
22 篇文章 0 人学习

介绍iOS开发中常用的技术，可能遇到的问题，以及iOS开发最新的动向。

订阅专栏 查看详情
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
IDEA 2019.3 svn设置忽略提交文件 ​ 小编使用idea2019.3最新版本，今天提交的时候发现svn库里有很多没用的文件，稍微有点洁癖，今天记录一下如何屏蔽无用的文件提交的，其他的方法都是老版本都不适合，简单介绍一下 解决方案一 找到Settings→Editor→File Types，在Ignore files and folders输入框中输入target，将会忽略项目中target目录下的所有文件。也可以忽略 .idea（添... 阅读详情

相关推荐

SVN命令大全：从新手到高手

本文系统介绍了SVN版本控制系统的常用命令，主要分为基础操作、信息查询和进阶操作三大类。基础操作包括代码检出(checkout)、更新(update)、文件添加(add)、更改提交(commit)和状态查看(status)等核心功能。信息查询命令涵盖了日志查看(log)、文件信息(info)、目录内容列表(list)和代码责任追溯(blame)等实用功能。进阶操作则提供了差异比较(diff)、更改撤销(revert)等高级功能。文章详细说明了每个命令的语法、主要参数和使用示例，并配有流程图和状态码说明，帮助

冰茶的博客 1286

SVN命令copy

svn copy命令的作用是拷贝某些svn版本控制的文件，生成的新文件直接纳入版本控制中 [root@localhost test2]# ls aa.txt contract.html css img index.html js [root@localhost test2]# svn cp index.html index_bak.html A index_bak.htm...

huangbaokang的博客 1万+

92条 SVN命令

svn命令

m0_55877125的博客 4327

svn blame功能

以前我还没有用过svn的blame功能， 但最近看到一哥们用， 我才发现自己一直不会这个重要的小功能。 blame的意思是责怪， 实际上就是追责咯， 它可以查出代码的每一行是谁写/改的。 咱们以Windows上的Tortoise SVN为例来使用svn的blame功能： Step1: 鼠标选中svn下载的某文件 Step2: 进入Tort...

yz18931904的博客 1万+

《SVN系列教程-第二章-SVN命令的使用》_svn命令窗口怎么打开

当我们需要删除svn服务器中的文件时不能使用windows进行删除，那样只是删除工作副本的文件，当我们执行更新操作时，被删除的文件又会被重新下载下来；因为我们并没有删除svn服务器中的文件，要删除svn服务器中的文件，必须使用svn提供的命令来删除；在"旧版本编辑冲突"案例中，xiaohui和xiaolan两个用户编辑的不是同一行记录，万一两个用户编辑的是同一行记录，那么这个时候就会出现代码编辑冲突。tips：删除文件之后，需要提交删除的文件，代表更新到服务器；

2401_84247760的博客 1342

svn 命令行安装包

svn 命令行安装包，直接直接通过 svn checkout svn://172.30.11.11/my_dev

【SVN】Iinux下SVN解决冲突步骤及SVN相关命令操作

进入项目组，进行代码版本维护，要学会相关管理软件的操作及发生冲突时的处理方式，以下以TortoiseSVN为例参考https://blog.youkuaiyun.com/bravezhe/article/details/7396151。

小哎呀的博客 2672

关于DHCP Option60的认识

<br />       最近在网络建设过程中，必须面对一个实际存在的问题：当只有一根线入户时，该如何解决CATV和宽带业务的共存呢？这时就要考虑用到DHCP Option60了，那么DHCP Option60到底是如何来实现业务区分的呢？<br />首先先来看下DHCP协议，在DHCP协议中，定义了一个option字段，该字段主要是用来扩展DHCP协议的，Option 60 (Vendor class identifier)是DHCP报文中的一个选项字段，code为60，可以标识终端类型，根据不同的终

luoyingchuan的专栏 7940

Linux SVN 命令详解

From：https://www.cnblogs.com/feifei-cyj/p/7904947.html SVN 官网中文文档：https://tortoisesvn.net/support.html Linux下安装SVN服务端：https://blog.youkuaiyun.com/qq_27968607/article/details/54971408 ...

墨鱼菜鸡 8771

Cisco Packet Tracer 7.3免登录技巧：3种方法快速跳过注册界面（附详细截图）

本文针对Cisco Packet Tracer 7.3启动时遇到的登录界面问题，提供了三种合法高效的解决方案。详细介绍了如何利用官方访客模式快速启动、注册思科账号实现一劳永逸登录，以及通过调整本地安装配置优化启动流程，帮助网络学习者与备考者绕过繁琐步骤，快速进入实验环境。

weixin_29305337的博客 737

米哈游 AI产品经理面试题精选：10道高频考题+答案解析（附PDF）

米哈游是全球知名游戏开发商，以《原神》《崩坏》系列著称，专注二次元文化与AI技术创新。本文整理了10道AI产品经理面试题，涵盖Transformer架构、智能NPC设计、机器学习应用、AIGC产品规划等核心领域。题目既考察技术理解（如RAG原理、多模态模型），又关注产品落地（游戏平衡性优化、伦理安全），同时强调跨团队协作能力。参考答案均结合米哈游业务场景，体现技术驱动与玩家体验并重的产品思维，展现AI在游戏行业的创新应用前景。

ZHHHHH15的博客 679

常用命令之svn命令

一、前言   日常工作中我们使用SVN都是在图形化操作系统下使用，实际上图形化的操作在软件内部都是对应的命令。我们在Linux shell环境下也可以使用svn，这需要我们熟悉SVN相关命令。当然又方便又快捷的图形化工具使用，我们不必执着于命令的使用。此博文主要是为了记录总结SVN相关命令和SVN的备份还原操作。通过SVN命令可以更加灵活的实现我们的SVN备份需求。博文实验环境如下： 操作系统：centos7.6 SVN server版本：1.7.14 SVN客户端版本：1.8.19 二、SVN常用命令

月生的静心苑 2万+

AutoCAD矢量数据导出全攻略：GIS4CAD插件一键转shp/mdb/kml（附安装包）

本文详细介绍了GIS4CAD插件如何高效解决AutoCAD矢量数据向GIS格式转换的难题。通过一键操作，用户可将CAD中的规划图、地形图等无损转换为行业标准的shp、mdb、kml等多种格式，并确保属性完整与坐标准确。文章提供了从插件安装、数据准备到实战导出的全流程指南，是城市规划、测绘等领域专业人士提升数据互操作效率的必备攻略。

a2b3c4d5e的博客 282

SVN命令提交

通过SVN命令提交某一个固定文件，如果没有文件则先add 再提交的bat命令写法介绍 svn st 查询当前目录下文件变动状态。 ？：代表新增文件，且未ADD，需要先Add才能提交 A：代表Add状态的文件，可直接提交 M：代表有修改的文件 svn commit 提交 svn commit -m “注释” ：提交所有add和modify状态的文件 svn commit filenam...

一颗开花的术 8887

01. VBA从入门到精通——录制宏、窗口、快捷键

excel表功能区右击→常用→选择显示开发工具选项→确定Visual Basic:打开VBA窗口宏：查看要录制的宏录制宏：准备录制宏使用相对引用：录制宏的时候对单元格的引用做一个设置宏安全性：对宏的使用做安全设置，一般设置为禁用所有宏，并发出通知，此时打开带有宏代码的工作薄时会出现警告标记，如果宏可信就选择启动。

weixin_43812198的博客 1696

QGIS编译（跨平台编译）之五十六：QScintilla编译、QScintilla安装（Windows、Linux、MacOS环境下编译、安装）

QGIS编译；QScintilla编译、QScintilla安装（Windows、Linux、MacOS环境下编译、安装）

LuckyHanMo的博客 1893

svn 命令行使用总结

1、上传项目到SVN服务器上 svn import project_dir（本地项目全路径）http://192.168.1.242:8080/svn/IOS/Ben/remote_dir（svn项目全路径） -m "必填, 不填此命令执行不会成功." 注: 服务器上remote_dir若不存在, 会自动创建 只会上传project_dir目录下的文件到remote_dir的目录下 import...

极客点儿 1万+

如何选择深度强化学习算法：MuZero/SAC/PPO/TD3/DDPG/DQN/等算法

如何选择深度强化学习算法：MuZero/SAC/PPO/TD3/DDPG/DQN/等算法

丨汀、的博客 5221

关于查看所有的svn命令

想要查看SVN的所有命令和命令的简写，可以使用下面命令：svn help [root@onlineyx02 ~]# svn help 用法: svn [options] [args] Subversion 命令行客户端，版本 1.6.11。 使用“svn help ” 显示子命令的帮助信息。 使用“svn --version”查看程序的版本号和版本库访问模块，或者 使用“svn --

未来，你好！ 1030

我用 Python 监听了自己的键盘，生成击键热力图，看看每天到底在“摸鱼”还是“搬砖”？

数据采集（监听）、持久化（I/O）与可视化展示，必须是三个完全独立的模块，这符合单一职责原则。在多线程读写 Python 字典时，锁住的时间要尽可能短，防止 I/O 线程把高频的监听线程阻塞住。这类涉及底层的代码与“键盘记录木马”只有一线之隔。永远不要把击键记录通过网络上传，所有数据必须localhost消化。人脑对枯燥的 JSON 日志是不敏感的，但对颜色和空间极其敏感。这也是为什么 Prometheus + Grafana 是标配。使用ctypes。

BUG猿的博客 192

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

svn命令行命令

svn命令行命令 bash> svn help  用法：svn [options] [args]  Subversion 命令行客户端，版本 1.2.0。  请使用 “svn help ” 显示子命令的辅助说明。  大多数的子命令可接受文件或目录参数，对目录进行递回存取。  如无指定参数给命令，默认将会自当前的目录 (包含) 进  行递归存取。  可用的子命令：(括号

Xcocode_ios的专栏 870

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

svn命令小集

命令行输入： sudo apt-get install subversion 一、 基本概念 版本库：服务器上的文件目录 工作拷贝：svn co分支到你本地的文件夹目录 工作副本：co到本地的目录下的每个文件夹里的.svn文件夹。记录了"帮助 Subversion 识别哪些文件做过修改，哪些文件相对于别人的工作已经过期"的信息。

achun2050的专栏 1046

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")

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。

svn常用命令

svn常用命令总结

MGoop的博客 1434

svn checkout 命令_Linux SVN 命令详解

1、将文件checkout到本地目录svn checkout path(path是服务器上的目录)例如：svn checkout svn://192.168.1.1/pro/domain简写：svn co2、往版本库中添加新的文件svn add file例如：svn add test.php(添加test.php)svn add *.php(添加当前目录下所有的php文件)3、将改动的文件提交到版...

weixin_39815345的博客 7776

linux 命令行使用svn

linux 命令行使用svn简介常用命令 简介 SVN是subversion的缩写，是一个集中式的开放源代码的版本控制系统，通过采用分支管理系统的高效管理。 常用命令 命令 简写命令 描述 svn checkout <库路径> svn co <库路径> 下载远程文件到本地 svn update svn up 更新版本 svn add <文件名> 无 添加新文件 svn commit -m “log_msg” svn ci -m <log_

qq_33865609的博客 2492

svn命令

清除密码： 1、windows 下 清除svn保存的账号密码信息： 删除C:\Documents and Settings\Administrator\Application Data\Subversion\auth 2、linux下 清除svn保存的账号密码信息： linux环境执行:rm -rf ~/.subversion/auth  部分命令： 1、将文件

tchonggang77的专栏 2482
上一篇： iOS文档生成
下一篇： ios中navigationItem的titleView如何居中
点赞 0
评论 0
书签 书签 0
focusjava
focusjava
博客等级 码龄14年 127粉丝 528原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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