Git命令总结-常用-后续使用频繁的再添加~

git常用命令及仓库创建 Git是一款分布式版本控制系统,用于敏捷高效地处理项目版本管理。下载地址: 你可以从Git官网地址下载适用于你操作系统的Git安装包。查看版本配置信息查看信息。 阅读详情

Git命令总结-常用

久了不用,有些时候老是会忘记一些命令,多的都记录一下,方便查找

git init

初始化一个Git仓库,执行完git init命令后,会生成一个**.git**目录,该目录包含了资源数据,且只会在仓库的根目录生成

git init

在这里插入图片描述
若需要指定目录,则

git init [目录名]

git clone

将仓库代码克隆到本地,如果不加 [本地目录] 则复制到当前命令所在目录

git clone <远程仓库的网址> [本地目录]

git config

# 配置提交记录中的用户信息
git config --global user.name <用户名>
git config --global user.email <邮箱地址>

提交代码相关

在这里插入图片描述

git add .  //所有文件添加
git add <file>   //单个文件添加

git commit -m "代码提交信息"  //文件提交
git commit --amend  //与上次commit合并

git push origin master  //推送至master分支

git pull //更新本地仓库至最新改动
git fetch //抓取远程仓库更新

git log   //查看提交记录
git status  //查看修改状态
git diff  //查看详细修改内容
git show  //显示某次提交的内容

分支相关

大概,详细看下面

git branch   //查看分支
git branch <name>  //创建分支
git checkout <name>  //切换分支
git checkout -b <name>  //创建+切换分支
git merge <name>    //合并某分支到当前分支
git branch -d <name>   //删除分支
git log / git reflog   //查看历史版本
git reset --hard/soft xxx  //回退版本(hard直接回退到指定版本,soft回退到暂存区)

## git删除分支:
删除本地分支 git branch -d 本地分支名
删除远程分支 git push origin --delete 远程分支名
推送空分支到远程(删除远程分支另一种实现)git push origin :远程分支
新建分支
git pull origin master  //在master分支下,拉取当前最新代码,保证当前代码与线上同步
git branch <分支名>    //新建分支
git checkout <分支名>   //切换到新建的分支上
git push origin <分支名>   //将本地分支推到远端,让远端也有一个你新建的分支,后面用来提交你的代码
当前分支提交代码
//切换到你当前的分支上~
git status  //查看自己写了哪些东西,同上
git add .
git commit -m  "提交信息"
合并子分支内容到主分支
git checkout master   //切换到主分支~
git merge childbranch    //合并子分支内容到主分支
git status   //查看状态
git pull --rebase  //更新代码
git push  //提交代码
将master分支上的代码合并到子分支上
git pull   //切换到本地的仓库,更新为最新的代码
git checkout  child  //切换到要同步的子分支上
git merge master   //在子分支上运行,就会将主分支的代码同步到子分支上
git status   //在子分支查看当前的代码状态 
git add .   //将代码添加到本地仓库
git commit -m "主分支同步到子分支"  
git push  //将同步后的代码上传到git服务器上托管

冲突处理

git diff   //对比workspace与index (见上图)
git diff HEAD   //对于workspace与最后一次commit
git diff <source_branch> <target_branch>  //对比差异
git add <filename>  //修改完冲突,需要add以标记合并成功

删除文件

# 移除跟踪指定的文件,并从本地仓库的文件夹中删除
git rm <file>
# 递归删除,移除跟踪指定的文件夹,并从本地仓库的文件夹中删除
git rm -r <文件夹路径>
# 移除跟踪指定的文件,在本地仓库的文件夹中保留该文件
git rm --cached <file>
# 如果删除之前修改过并且已经放到暂存区域的话,则必须要用强制删除
git rm -f <file>

git回到上一个commit sha

1、完全重置到该提交(丢弃所有未提交的更改)

# 1. 确保当前目录是你的 Git 项目根目录
pwd  # 确认路径正确

# 2. 查看当前状态,确认是否有未保存的更改
git status

# 3. 完全重置到 c126cd3185bb366f29a02f3444d5953172a14de2(丢弃所有未提交的更改)
git reset --hard c126cd3185bb366f29a02f3444d5953172a14de2

# 4. 检查是否成功
git log --oneline -n 1  # 应该显示 c126cd3 在最前面

2、安全回退(创建一个新提交撤销更改,适合已推送的情况)

# 1. 查看当前状态
git status

# 2. 创建一个新提交,撤销 c126cd3185bb366f29a02f3444d5953172a14de2 的更改
git revert c126cd3185bb366f29a02f3444d5953172a14de2

# 3. Git 会打开编辑器让你填写提交信息,保存退出即可
# 4. 推送更改(如果已关联远程仓库)
git push

3、仅回退到该提交但保留未提交的更改

# 1. 仅移动 HEAD 指针,保留工作目录的更改
git reset --soft c126cd3185bb366f29a02f3444d5953172a14de2

# 2. 检查状态
git status  # 你会看到之前的更改仍然存在,但处于未暂存状态

完全重置 git reset --hard c126cd3 彻底回退,丢弃所有更改
安全回退 git revert c126cd3 已推送的提交,不修改历史
软重置 git reset --soft c126cd3 保留未提交的更改

LVGL多线程编程避坑指南:从音乐播放器项目看UI与后台任务如何安全协作 本文深入探讨LVGL在多线程环境下的安全协作问题,以音乐播放器项目为例,解析UI与后台任务(如mplayer音频播放器)的典型冲突场景。提供全局互斥锁规范、任务队列异步处理等核心策略,并分享mplayer进程集成方案与进度条优化技巧,帮助开发者规避界面卡顿、内存损坏等常见问题。 阅读详情

相关推荐

【翼型】基于Matlab的NACA翼型气动性能仿真与优化【附源码】

本文详细介绍了如何使用Matlab进行NACA翼型的气动性能仿真与优化。内容涵盖从生成NACA翼型坐标、利用面板法快速估算升阻力,到进阶的粘性流模拟与优化设计入门。通过清晰的代码示例和分步指南,帮助读者掌握基于Matlab的翼型分析与优化流程,为飞行器或叶片设计提供实用工具和方法。

weixin_29032489的博客 408

Visual Studio Code配置git以及常用的git命令进行代码管理

由于之前我的vscode配置git失败了,所以每次代码更新我都是打开GitBash界面,复制ssh或http进行gitclone,久而久之,一个框架的代码就被我拉了很多版本,而且不同的版本自己也有更改,所以拉了新版本后也不能把旧的给删除,于是就积累了很多,一时也不太好找出想要用的代码,甚是烦人。结合git命令可以直接拉取上传或更新的部分代码,非常方便简单。近期实在用的太频繁了,一两天就要跟新,所以我彻底卸了之前的软件,重新安装设置了一下,结果可以用了,甚是喜悦。现在暂记一下,后面要做重复工作便于查阅。...

qq_44442727的博客 1万+

cmu15445(2024fall) project 2

project 2比p1难度要更大,代码量更大且涉及的知识更多,实现中出现的bug更多,好在是最后全部解决了。我最大的收获在于对于多线程编程的理解更深入了,实际发现解决了多个多线程相关的bug,学会了更多多线程下debug的技巧方法,也见识了更多多线程的bug情况。在之后可以更系统的学习一下多线程编程。同时学会实现B+树也是需要掌握的基础。

Jerome_Yi的博客 1559

常用 Git 命令汇总

下面是我整理的常用 Git 命令清单。几个专用名词的译名如下:Workspace:工作区 Index / Stage:暂存区 Repository:仓库区(或本地仓库) Remote:远程仓库。

m0_73214105的博客 1468

httprunner V4.3.5 安装与使用--快速上手(超详细-超长篇)

HttpRunner是一款面向 HTTP(S) 协议的通用测试框架,只需编写维护一份 YAML/JSON 脚本,即可实现自动化测试、性能测试、线上监控、持续集成等多种测试需求。继承 Requests 的全部特性,轻松实现 HTTP(S) 的各种测试需求测试用例与代码分离,采用YAML/JSON的形式描述测试场景,保障测试用例具备可维护性测试用例支持分层机制,充分实现测试用例的复用测试用例支持参数化和数据驱动机制使用 skip 机制实现对测试用例的分组执行控制。

Dreams°的博客 3892

AIGC实战指南:从提示词到工作流,掌握AI内容生成核心技能

人工智能生成内容(AIGC)作为当前AI技术的重要应用领域,其核心原理基于大语言模型(LLM)对海量数据的学习与模式识别。这项技术的价值在于将复杂的创作过程自动化,显著提升内容生产效率与创意实现的多样性。在实际应用中,AIGC已广泛渗透至文本创作、图像设计、音频合成及视频生成等多个场景,成为数字内容生产的重要工具。要高效运用AIGC,关键在于掌握提示词工程与模型微调等核心技能。例如,通过结构化提示词设计,可以精确引导模型生成符合预期的专业周报;而选择合适的微调模型,则能大幅提升图像生成的风格控制力与输出质量

weixin_26808439的博客 373

Git常用命令一日游活动

写在前面 如果只解释命令的用法的话,我想,是非常枯燥,而且没人愿意去看,看了也学不会,学不会就用不了,用不了就…..就没有然后了,所以,我准备模拟一个项目的建立和完整的流程,来介绍一些 git 的一些常用命令。 准备工作 还记得,上篇文章说的 GitHub 吗?就是那个全球最大的同性交友社区,不说错了,是最大的代码开源社区。因为Github 是一个用git做版本控制的项目托管平台,所以没...

浅浅同学的开发笔记 7007

python + QXDM5高通平台通过自动化截取log方法及代码

python + QXDM5高通平台通过自动化截取log方法及代码

dgzj2001的博客 1818

【git】git入门教程(git bash常用快捷键和命令)

git入门教程(git bash常用快捷键和命令)-1 概念-1.1 仓库-1.2 分支-1.3 同步-1.4 暂存-1.5 合并0 git bash常用快捷键和命令0.1 复制粘贴0.2 光标0.3 编辑0.4 命令0.5 常用命令1 初始设置1.1 初始设置1.2 也可使用ssh协议避免每次push,clone都输入账号密码2 提交代码2.1 先clone到本地再push2.2 本地初始化仓库再push(对本地现有文件)2.3 撤销或更改提交操作3 下载代码3.1 git clone3.2 fetch4

m0_51371693的博客 7786

FID指标实战:如何用Python快速计算生成图像的质量分数(附完整代码)

本文详细介绍了如何使用Python计算Fréchet Inception Distance(FID)指标,以评估生成图像的质量。通过完整的代码示例和优化技巧,帮助开发者快速实现FID计算,并解读分数背后的实际意义,适用于GAN和扩散模型的性能评估。

weixin_28718487的博客 376

[VCS]门级仿真及SDF反标

摘要:门级仿真在STA工具普及后仍是验证的重要环节,主要用于检查SDC完备性、异步电路时序、网表完整性及为功耗分析提供波形。门级仿真分为不带时序反标的前仿和带SDF反标的后仿,后仿需加载SDF文件提供精确延时信息。VCS提供多种仿真选项控制时序检查行为,SDF反标可通过命令或系统函数实现。后仿需特别注意关闭notimingcheck选项以确保时序检查有效性,并建议检查SDF反标报告和波形验证延时一致性。

元直的博客 9790

日常开发中常用的git操作命令和使用技巧

日常开发中常用的git操作命令,从配置、初始化本地仓库到提交代码的常用git操作命令。

cafehaus的博客 1234

OpenCV-Python实战(10)——详解 OpenCV 轮廓检测

在计算机视觉领域,轮廓通常指图像中对象边界的一系列点。因此,轮廓通常描述了对象边界的关键信息,包含了有关对象形状的主要信息,该信息可用于形状分析与对象检测和识别。在本文中,将首次通过简单示例了解轮廓的基本概念,然后通过实际示例来了解如何检测和压缩轮廓,最后利用介绍如何利用图像矩描述检测到的轮廓属性。

盼小辉丶的博客 3万+

使用Git生成SSH密钥教程(附Git常用命令)

SSH(Secure Shell)是一种安全协议,用于在网络上传输数据时提供加密和身份验证。在SSH中,密钥登录是一种常见的身份验证方式,它使用非对称加密技术来验证用户的身份,密钥对包括一个公钥和一个私钥,它们是一对对应的密钥。公钥用于加密数据或验证签名,而私钥用于解密数据或创建签名。在SSH中,用户在客户端生成一对公钥和私钥,然后将公钥发送到服务器上。

冰万森的博客 1万+

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

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")

使用命令登陆了git_使用频繁且有用的几大Git命令总结

作者:CRPER链接:juejin.im/post/5de8d849e51d455808332166前言结合实际业务场景,汇总一下项目中高频使用的git命令及姿势。使用的 Git版本:git version 2.24.0命令git log#输出概要日志,这条命令等同于#gitlog--pretty=oneline --abbrev-commitgit log --oneline#...

weixin_36146057的博客 100

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

git 教程、常用命令

git 教程、常用命令

freeking101的博客 6626

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

git 良好实践之频繁commit 谨慎push

git 良好实践之频繁commit 谨慎push git使用时注意,不要把历次commit都push到服务器,只push有意义的提交即可。很多临时的commit可以通过rebase压缩合并

从零开始 8943

git命令操作

(1)在码云新建立远程仓库 xxx *复制 http (2)在本地打开git命令板 git clone http地址(创建本地的文件xxx) 进入本地文件xxx 打开git命令板 输入 (1)git add . (2)git commit -m"完成第一步" git push 操作 ...

weixin_68531033的博客 4371

git工具频繁使用的命令汇总

.git文件夹 .git文件夹就是本地的版本库,它不属于工作区,里面的文件是: hooks文件夹,里面放的是一些shell脚本,搭建git托管系统时候会用到。 info文件夹,这里包含了一些git仓库信息 logs文件夹,保存所有更改的引用记录,继续打开logs文件夹,有refs文件夹和HEAD文件 objects文件夹,该目录存放所有的Git对象 refs/heads文件夹,存储本地所有分支文件 refs/tags文件夹,当给当前分支打上标签时,就会在tags文件夹下,生成对应文件 COMMIT_EDI

qq_45549336的博客 263

Git 新手无忧:常用命令与错误解决攻略

在当今的软件开发领域,Git 已经成为了版本控制的事实标准,它帮助开发者们高效地管理项目代码、协同工作以及追踪代码的变更历史。然而,对于新手来说,Git 的众多命令以及可能出现的各种错误会让人有些头疼。本文将详细介绍 Git 的一些常用命令,并深入剖析在使用过程中容易遇到的常见错误及解决方法,帮助你更加顺畅地驾驭 Git。

weixin_44257023的博客 1348

工作中常用git命令总结

本文整理了开发中高频使用的Git命令,涵盖分支操作、版本回退、合并对比等核心场景。重点介绍了分支创建与推送、版本回退(reset/revert)、分支合并、差异对比(diff)等实用命令,特别强调了交互式变基(rebase -i)的提交整理功能。文章提供了可直接复用的命令示例,包括提交合并(squash)和编辑(edit)的具体操作步骤,帮助开发者快速掌握Git工作流中的关键技巧。

ygnnxjava的博客 1245

【Git】深入了解Git及其常用命令

Git的详细介绍以及命令与原理,强势来袭!!!

m0_74315688的博客 1235

【git】常用git命令汇总

下面是总结了一些常用的git命令,不全。

长歌的博客 762

git 命令 显示 分支_从命令行显示git分支

git 命令 显示 分支Whether it's simply submitting pull requests or being snobby enough to use vim as a text editor,web developers and designers spend an awful lot of time working from command line. If you ...

culuo8053的博客 2504

关于在VScode中使用git的一些步骤常用命令及其常见问题:

优先检查文件权限和是否被其他程序占用,这是最常见的原因。如果是编辑器问题,尝试换一个编辑器(如从图形化工具换成终端编辑器)测试。操作后,可用命令确认内容是否已添加。合并的核心是代码内容的整合,而非分支本身的 “合并成一个”。合并后,源分支(如dev)可以保留(用于后续开发)或删除(如果已完成使命)。分支的 “关联” 是指它们共享部分提交历史,合并会让目标分支与源分支的历史产生关联,方便后续追溯。如果想彻底 “变成一个分支”,可以合并后删除其中一个分支(如),但这是手动操作,而非合并的必然结果。

DIY 1817

Git常用命令及使用建议

个人建议大部分操作使用图形化软件操作,TortoiseGit 一、配置GIT #配置全局用户 $gitconfig--globaluser.name"用户名" $gitconfig--globaluser.email"git账号" #配置别名 $gitconfig--globalalias.cocheckout $gitconfig--globalalias.ssstatus $gitconfig--globalalias.cmcommit $...

lxabc123456的专栏 274
上一篇: 机器学习实战学习记录(github)
下一篇: Elasticsearch+Kibana 学习记录
monkeyhlj
博客等级 码龄9年 1万+粉丝 184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