GIT 实用命令大全

计算机视觉——多视图几何 多视图几何1.前言1.1 多视图几何概念2. 基本原理2.1 对极几何2.2 基础矩阵2.2.1 基础矩阵推导2.2.2 求解基础矩阵3. 实验过程3.1 实验数据准备3.2 实验代码3.3 实验结果及分析4. 实验中遇到的问题 1.前言 1.1 多视图几何概念 多视图几何是利用在不同视点所拍摄图像间的关系,来研究照相机之间或者特征之间关系的一门科学。 多视图几何(Multiple View ... 阅读详情

(--全拼参数  -缩写参数)
clear 在git bash中清屏
git 命令如config --help 查看该命令帮助文档
git --version 查看git版本号
git log 回顾下所有人的提交历史
git log --oneline --decorate --graph --all 输出你的提交历史、各个分支的指向以及项目的分支分叉情况
git reflog 查看所有分支的所有操作记录(包括已经被删除的 commit 记录和 reset 的操作), 可用于恢复
git config --list 显示当前的Git配置,键入"q"退出
git config --global user.name "John Doe"                              git配置用户名
git config --global user.email "johndoe@example.com"                  git配置邮件地址
git clone git@bitbucket.org:公司名/项目名.git                          克隆远端所有分支代码仓库,本地创建默认master分支
git clone -b 分支名 git@bitbucket.org:公司名/项目名.git                 克隆远端所有分支代码仓库,本地仅创建指明分支
git clone -b 分支名 --single-branch git@bitbucket.org:公司名/项目名.git 仅克隆远端当前分支仓库代码

------------------------------------------------------------------------------------variables
打标签
git commit -m "Update version number to 2.7.8.0.2 and last updated time. Add tag 2.7.8.0.2"
git tag -a <tag名> <commit对应的hash码> -m "Release version 1.01"
注解:git tag 是打标签的命令,-a 是添加标签,其后要跟新标签号,-m 及后面的字符串是对该标签的注释。
例子,如下:
git tag -a 2.7.8.0.2 69e80e369c698bab74d4301755227f62d6f50f4a -m "2.7.8.0.2"
提交标签到远程仓库
git push origin --tags
注解:就像git push origin master 把本地修改提交到远程仓库一样,-tags可以把本地的打的标签全部提交到远程仓库。

http://blog.youkuaiyun.com/jeffasd/article/details/49863335
http://blog.youkuaiyun.com/wangjia55/article/details/8793577/

查看所有标签
git ls-remote --tags 显示当前分支下,所有标签名和commit_id列表

删除某个tag 
git tag -d 2.7.8.0.2 删除这个tag(本地) 
git push origin :refs/tags/2.7.8.0.2 删除这个tag(服务器),这时可以发现Bitbucket网上的那个tag不见了

git checkout <tag名> 使用tag处的commit还原当前git, 如 git checkout '2.4.2.0'

------------------------------------------------------------------------------------
工作区 [Untracked]

git add <file> 跟踪新文件(由untracked->tracked)

------------------------------------------------------------------------------------
工作区 [Modified]

本地修改文件后,在phpstorm中当前文件下,使用右键-> git -> Compare with the Same Repository Version,将当前工作区文件和本地版本仓库比较

git status          查看所有文件状态
git status -uno     查看文件状态,不显示Untracked

git checkout -- <file>... 从本地暂存区检出覆盖工作区(用于在git add之前,撤销当前修改)
git checkout .            从本地暂存区检出覆盖工作区(用于在git add之前,撤销所有修改)

------------------------------------------------------------------------------------
工作区-->暂存区 [Staged]

git add .或<file>...      添加到staged暂存区 (选中cmd窗口中的文件名,按一下鼠标中间自动粘贴), 
                          或跟踪新文件(由untracked->tracked), 合并时把有冲突的文件标记为已解决状态

git reset HEAD <file>...  从本地版本库检出覆盖暂存区(移出暂存区当前文件,status变为Modified)
git reset .               从本地版本库检出覆盖暂存区(移除暂存区所有文件,status变为Modified)

git rm <file>...          (针对UnModified)移除版本库,删除文件,并暂存待提交
git rm --cached <file>... (针对UnModified)移除版本库和暂存区,不删除文件,status->Untracked files, 且不会被提交,如果push之前重新add还是会提交,常用于新建的文件,且不想跟踪此文件了

------------------------------------------------------------------------------------
暂存区-->资源库(版本库)

git commit -m "message"  

git reset --soft HEAD^          撤销上一次的提交(status变为commit前add后)
git reset HEAD^                 撤销上一次的提交(status变成add之前状态)
git reset --hard HEAD^          撤销上一次的提交,撤销当前所有修改(status变为UnModified)


git reset --hard 版本号          本地回退到任意历史版本,可配合git reflog使用(用于任何状态)
git reset --hard origin/master  放弃本地修改, 使用远程版本库强制更新(用于任何状态)
git reset --hard                本地回退到最新版本库(用于任何状态)

------------------------------------------------------------------------------------
-->提交本地版本库 到远程仓库

git pull origin dev             取回远程仓库的变化,并与本地分支即版本库合并(=git fetch + git merge)
git pull origin dev --rebase    
git push origin dev             传本地当前分支到远程仓库dev分支

git fetch origin master          从远程的origin仓库的master分支下载代码
git diff origin/master master    查看本地分支和远程分支的差异
                                 "---"表示变动前的文件,"+++"表示变动后的文件。
                                 变动的位置用@@作为起首和结束。
                                 @@ -1,5 +1,4 @@ 表示-第一个文件的1,第一行开始,5连续五行 +第二个文件1,第一行开始,4连续四行
                                 + 代码... 表示增加的代码,-表示减少的代码

git reset --merge               回退merge操作
git reset --hard commit_id     本地回退到任意版本(可用 git log –-oneline 查看)
git push origin HEAD --force   #远程提交回退

git revert <commit_id>         本地和远程同时回退到任意版本

git reset --soft|--mixed|--hard <commit_id> 
                    --mixed    会保留源码,只是将git commit和index 信息回退到了某个版本.
                    --soft     保留源码,只回退到commit信息到某个版本.不涉及index的回退,如果还需要提交,直接commit即可.
                    --hard     源码也会回退到某个版本,commit和index 都会回退到某个版本.

------------------------------------------------------------------------------------
<处理冲突文件>
(三种状态:绿色的文件没有冲突可以commit,红色的文件unmerged paths表示冲突需手动合并,not staged for commit表示修改过的还没有add但不冲突)
git stash               丢弃当前修改,并将修改保存起来,没有暂存注释
git pull origin master  拉取远程master分支
git stash list          查看暂存的信息
git stash pop stash@{0} 恢复暂存信息,并丢弃暂存文件
冲突提示:
Auto-merging c/environ.c
CONFLICT (content): Merge conflict in c/environ.c
打开相关文件处理冲突并修改完后,没有问题时,可以正常提交。

git stash save "work in progress." 丢弃当前修改,并将修改保存起来,添加暂存注释
git stash apply stash@{0}          应用暂存起来的某次修改
git stash drop  stash@{0}          移除保存过的stash
git stash clear                    清除所有暂存文件

git stash -p 交互式命令,我们可以一个文件一个文件的遍历,决定每个文件的操作方式
[y,n,q,a,d,/,?]含义:
   y - stage this hunk
   n - do not stage this hunk
   q - quit; do not stage this hunk nor any of the remaining ones
   a - stage this hunk and all later hunks in the file
   d - do not stage this hunk nor any of the later hunks in the file
   g - select a hunk to go to
   / - search for a hunk matching the given regex
   j - leave this hunk undecided, see next undecided hunk
   J - leave this hunk undecided, see next hunk
   k - leave this hunk undecided, see previous undecided hunk
   K - leave this hunk undecided, see previous hunk
   s - split the current hunk into smaller hunks
   e - manually edit the current hunk
   ? - print help

------------------------------------------------------------------------------------
<分支操作>

git branch -a          查看分支,找到将要切换到的分支
git branch branchName  创建分支
git branch             不带参数:列出本地分支,当前分支前加“*”号
git branch -vv         查看目前分支的“关联”情况,即本地分支的远程跟踪情况

git checkout -b branchName     创建并切换分支(-B 强制切换,没有创建,有的话会覆盖)
git checkout -b serverfix origin/serverfix         基于远程origin/serverfix分支,创建本地跟踪serverfix分支
git checkout --track origin/serverfix              创建一个serverfix分支,并将其配置为远程origin/serverfix的跟踪分支(好用)
git branch --set-upstream-to=origin/master master  配置本地分支master,跟踪远程分支origin/master,也可以直接拉取git pull origin master.
git branch -d <branch,如dev, hotfix>               删除本地分支(使用-D参数,强制删除分支)
git remote set-head origin -d  删除游离分支 (查看分支后,发现remotes/origin/HEAD -> origin/master, 即HEAD处于游离状态)

git checkout master              切换到master分支
git checkout master, git merge hotfix   切换到master分支,后将hotfix合并到当前分支master上
git merge dev                    将本地dev分支合并到当前分支
git merge origin master          合并远程分支最新代码到当前分支
git push origin dev              推送本地指定分支代码到远程仓库
git push origin --delete bugfix  从服务器上删除 bugfix 分支
git cherry-pick commit_id        将任意分支的一次(或多次)commit_id,提交到当前分支下
git cherry-pick --abort          当前分支恢复到cherry-pick之前的状态

git ls-remote <remote,如igiorn>    来显式地获得远程引用的完整列表, 列出所有的分支/标签tags
git remote show <remote,如origin>  获得远程分支的更多信息
git fsck --lost-found              通过.git/lost-found/other这个路径,你可以恢复任何你git add过的文件

以master分支的某个commit点为基础,创建新分支dev
git branch dev 创建空dev分支
git pull origin master 拉取分支上的最新代码
git reset --hard <commit-id>|<tag> 还原到基点
git checkout dev 切换到新分支
git push origin dev 提交代码到远程分支

------------------------------------------------------------------------------------
<内容比较操作>

git diff 不加参数即默认比较工作区与暂存区的差别
git diff --cached [<path>...] 比较的是暂存区和最新本地版本库的差别
git diff HEAD [<path>...]  比较工作区与最新本地版本库,如果HEAD指向的是master分支,那么HEAD还可以换成master

------------------------------------------------------------------------------------
<Merging 冲突解决 git pull之后>

git merge --abort 退出merging,丢弃合并

一、出现merging冲突的原因:git远程上存在一个本地不存在的git 分支,就是本地远程代码不同步

二、解决方式:

方法一:

git pull 出现冲突后可以暂存本地修改git stash ,然后git pull 更新代码,
git stash list 可查看暂存记录列表,释放本地暂存 git stash apply stash@{0} ,出现冲突文件,找到并解决,
然后可以提交git add . 加入索引库,然后本地提交git commit -m '注释' 最后git push到远程。

方法二:

1.git pull  更新代码,发现

error: Your local changes to the following files would be overwritten by merge:pom.xml

Please commit your changes or stash them before you merge.
这说明你的pom.xml与远程有冲突,你需要先提交本地的修改然后更新。

2.git add pom.xml
git commit -m '冲突解决',提交本地的pom.xml文件,不进行推送远程

3.git pull   更新代码

Auto-merging pom.xml
CONFLICT (content): Merge conflict in pom.xml
Automatic merge failed; fix conflicts and then commit the result.

更新后你的本地分支上会出现 (develop|MERGING)类似这种标志

4.找到你本地的pom.xml文件,并打开

你会在文件中发现<<<<<<< HEAD ,=======  ,>>>>>>> ae9a0f6b7e42fda2ce9b14a21a7a03cfc5344d61

这种标记,<<<<<<< HEAD和=======中间的是你自己的代码,  =======  和>>>>>>>中间的是其他人修改的代码

自己确定保留那一部分代码,最后删除<<<<<<< HEAD ,=======  ,>>>>>>>这种标志

5.git add pom.xml    git commit -m '冲突解决结束'   再次将本地的pom.xml文件提交

6.git push   将解决冲突后的文件推送到远程

machine type, 0:default,empty/unknown, 1: washer, 2: dryer, 3: front load washer, 4: top load washer, 5: stack washer/dryer 6: stack dryer/dryer
machine type, 0:default,empty/unknown, 1: washer, 2: dryer, 3: front load washer, 4: top load washer, 5: stack washer/dryer 6: stack dryer/dryer

参考手册: https://git-scm.com/book/zh/v2
https://techtrex.sharepoint.com/:u:/g/Deployment/EY1vFEvQKZlLvNYUj9Ws6tIB3D-WFp22sAoqp9YmwVkOLw?e=L2au1u 
 


参考手册: https://git-scm.com/book/zh/v2

Vitis HLS 学习指南与实践教程 Vitis HLS 学习指南与实践教程摘要:本文系统介绍了AMD Vitis HLS工具及其应用。HLS技术将C/C++代码自动转换为硬件描述语言,显著提升FPGA开发效率(5-10倍)。文章对比了HLS与传统RTL设计的优势,包括抽象级别高、开发周期短、代码重用性强等特点。详细讲解了Vitis HLS工具链的核心功能,包括支持的C/C++特性(如任意精度数据类型)、开发流程(项目创建-代码编写-仿真-综合)以及关键优化技术(流水线、循环展开、数组分割等编译指示)。通过具体代码示例展示了HLS设计方法,为F 阅读详情

相关推荐

手把手教你用UNet实现轨道缺陷检测(附RSDDs数据集下载与完整代码)

本文详细介绍了如何使用UNet模型实现轨道缺陷检测,包括RSDDs数据集的下载与处理、UNet架构的改进与优化、训练策略设计以及模型部署的全流程。通过实战案例,展示了如何利用深度学习技术提升工业质检效率,特别适合从事工业缺陷检测和图像处理的开发者参考。

dapp9builder的博客 749

git页面管理用户账号和密码(新建用户和初始化密码)

git,私有仓库,新建用户,初始化密码

m0_59375810的博客 7467

二、租用AutoDL服务器与连接教程

点击右上角控制台,选择【租用新的实例】;,我这里使用的是xshell和xftp工具(自行下载)。打开本地目录和服务器目录,直接拖动文件。

zzf021122的博客 1329

git合并代码冲突

git合并代码冲突

i_am_a_div的博客 3180

hdu 1195 Open the Lock(bbfs(双向广搜))

<br />第一次使用双向广搜算法求解,感觉效率的确提高了不止两倍。刚开始的一直WA,后来发现是每次都要扩展一层的节点,然后在扩展另一层的节点,而不是每次只扩展一个节点。<br /> /* Author: ACb0y Date: 2010-9-21 Type: bbfs(双向广搜) ProblemId: hdu 1195 Open the Lock Result: AC */ #include <iostream> #include <queue> using namespace

个人独立博客http://www.acb0y.cn/ 1527

Seurat-SCTransform与harmony整合学习

源于R tips:Seurat之SCTransform方法原理 (qq.com)Seurat对象在经过SCTransform处理后会增加一个SCT的Assay,里面的scaled.data就是经过scale之后的pearson residual值,这个值是用于后续降维聚类分析使用的。

hx2024的博客 2330

Git命令

git命令大全

qq_43320218的博客 1万+

【FF-A】第四章 Concepts

SPM的责任分为两个组件:SPM调度器(SPMD)和SPM核心(SPMC)。这两个组件都可以访问整个物理地址空间,并且是受信任的计算基础的一部分。当无需区分这两个组件时,术语SPM被使用。这些组件的责任如下所示。SPMD 位于 EL3 中,以 AArch64 或 AArch32 执行状态运行。SPMC 可以与 SPMD 共存在 EL3 中,也可以位于相邻的异常级别,即 S-EL1 或 S-EL2。SPM 在启动时初始化 EL3 LSP,并在运行时促进它们与其他端点之间的通信。

baron-周贺贺-代码改变世界ctw 1195

git命令的基本使用(设置用户名、密码、提交、拉取、回退、分支、查看历史版本等)

git命令的基本使用(设置用户名、密码、提交、拉取、回退、分支、查看历史版本等)

zxq1640058349的博客 4420

半导体材料仿真:二维材料仿真_(1).二维材料的基本概念

在半导体材料仿真领域,二维材料因其独特的物理和化学性质而受到广泛关注。二维材料,也称为二维纳米材料,是指在二维空间(通常是平面)上具有原子级厚度的材料。这些材料的厚度通常在几个纳米甚至单个原子层的范围内,使得它们在电子、光学、热学和机械性能上表现出与传统三维材料显著不同的特性。本节将详细介绍二维材料的基本概念,包括它们的分类、结构、性质以及在半导体材料仿真中的应用。

2401_87715305的博客 1546

Python电商网站全站爬虫实战:以京东为例的数据采集与分析

随着电子商务的蓬勃发展,电商数据已成为市场研究、竞争分析和消费者行为研究的重要资源。本文详细介绍了如何使用Python最新技术栈构建一个高效的电商网站全站爬虫,以京东为例实现商品数据的自动化采集。文章涵盖了爬虫的法律与伦理考量、技术选型、反爬虫策略应对、分布式架构设计以及数据存储方案,并提供了完整的代码实现。本爬虫系统采用Scrapy-Redis分布式框架、Selenium动态渲染、智能代理轮换和机器学习验证码识别等先进技术,能够稳定高效地抓取京东全站商品数据,为电子商务研究提供数据支持。关键词。

2201_76125261的博客 415

入职技能快速了解

对于新入职的小伙伴来说,从学生到职场除了身份的转变,作为开发者,有些入职的基本技能也需要快速掌握,避免出问题.这里我列举了入职以后需要掌握的技能,避免大家入职踩坑. 下列所有操作都是基于IDEA的,IDEA目前已经是最流行的IDE了. Git相关操作 与个人平时的编程不同,个人可能对于git的运用没有那么多和熟练,像我自己以前学习的时候都是把git作为一个代码托管工具的.而公司一般都是团队开发,就是项目代码会有很多人去维护,因此git基本操作是必备技能,有时不慎可能会出问题. 代码上传与下载 进入企业以后,

weixin_43482231的博客 473

YOLOv11 改进入门篇 | 从原理到代码:CBAM 注意力模块的插入与涨点验证

本文介绍了如何在YOLOv11模型中插入CBAM注意力模块以提升检测性能。CBAM包含通道和空间注意力两个子模块,通过双池化操作和MLP学习特征权重。文章详细解析了CBAM原理,提供了PyTorch实现代码,并建议在YOLOv11的Stage-3和Stage-4之间插入CBAM。实验表明,该方法在COCO数据集上使nano和small模型的mAP提升1.7-2.3个百分点,参数量仅增加0.27%,推理延迟增加0.1ms。最后给出了插入位置选择、通道缩减比等调优建议,验证了CBAM作为轻量级注意力模块的有效性

shrgegrb的博客 1301

Git 命令大全「全面且实用,值得收藏」

用了这么久的 git 工具,中途也使用过 SourceTree ,但是最后发现,还是git代码香啊! 虽然之前也写过一篇学习笔记 Git教程学习笔记和填坑总结 以及 SourceTree 工具的使用,但是感觉那篇还是笔记冗余,看起来不是很明确,所以,整理这篇命令大全,可以更好的在工作中查阅相关的git命令。 下面,我们主要分享一下 Git 常用的命令以及详细的命令行讲解,欢迎各位小伙伴

XH_jing的博客 1万+

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

git实用命令大全

1 查看远程分支 $ git branch -a * br-2.1.2.2 master remotes/origin/HEAD -> origin/master remotes/origin/br-2.1.2.1 remotes/origin/br-2.1.2.2 remotes/origin/br-2.1.3 remotes/origin/master 2 ...

天空飞鸟的博客 199

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")

git日常实用命令大全

用户名配置: git config --global usere.name "你的用户名"邮箱配置: git config --global user.email "你的邮箱"得到用户名: git config user.name 创建一个名为test的空项目: ①创建目录: mkdir test ②进入目录: cd test ③初始化当前仓库 git init ④初始化后会生成git的配置文件目录,普通的 "ls" 命令是看不到的, 我们需要......

m0_52831270的博客 206

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。

最常见最实用的git命令大全

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 一、新建代码库 在当前目录新建一个Git代码库 $ git init 新建一个目录,将其初始化为Git代码库 $ git init [project-name] 下载一个项目和它的整个代码历史 $ ...

北冥的博客 341

【Git】git的安装 及 常用命令大全【亲测有效实用啊!!!!】

git的安装 及 常用命令大全(亲测实用),真的真的巨巨巨详细,欢迎大家补充!!!!

weixin_55846296的博客 2516

git 命令大全 最实用(一眼就明白)

1.查看远程仓库 git remote –v 2.添加源仓库地址为远程仓库 git remote add [name] [remote] 3.远程仓库重命名 git remote rename old new 4.克隆仓库 git clone [repository] 5.提交内容到远程仓库 git push [remote] [branch] 6.版本回退 7.差异比较 8.状态查询 9.分支操作 10.分支合并&处理冲突 ...

m0_49774517的博客 247

Git实用命令大全(附思维导图)

平时我们经常用的命令 # 在当前目录新建一个Git代码库 $ git init # 克隆一个项目和它的整个代码历史(版本信息) $ git clone [url] # https://gitee.com/StarSea007/ssmbuild.git # 查看指定文件状态 git status [filename] # 查看所有文件状态 git status # 添加所有文件到暂存区 git add . # 提交暂存区中的内容到本地仓库 -m 提交信息 git commit -m "消息内容"

星海IT学习之路 1058

git知识总结

图是自己用xmind做的 https://www.liaoxuefeng.com/wiki/896043488029600

白菜 241

常用Git 命令及详细git撤销命令

参考地址:Git 命令大全「全面且实用,值得收藏」_git命令大全-优快云博客

m0_63893772的博客 617

git 命令

基本命令 查看文件状态 git status 将文件添加到暂存区 git add <file-name> git add <path> git add -a 将暂存区中的文件提交到版本库 git commit -m 'message' 将本次提交合并到上次提交,修改提交信息 git commit --amend 将本次提交合并到上次提交,不修改提交信息 git commi...

Jack_PJ的博客 204

git命令

【git 删除本地分支】git branch -D br 【参考】 http://www.cnblogs.com/springbarley/archive/2012/11/03/2752984.html Git查看、删除、重命名远程分支和tag Git常用命令大全,迅速提升你的Git水平 转载于:https://www.cnblogs.com/ioveNature/p/7760730...

aihuo4431的博客 73

Git 常用命令及讲解(不断更新)

克隆 Repository clone Github 上的Repository,如下: git clone git@github.com:strivebo/GitTest.git管理分支 1、查看本地分支 使用 Git branch命令,如下: $ git branch * master *标识的是你当前所在的分支。2、查看远程分支 命令如下: git branch -r 3

Jaybo 706

技术命令大全:提升效率的实用手册

在技术开发和系统管理中,命令是操作计算机的基础工具,掌握常用命令能显著提升工作效率。命令大全通过系统化整理各类技术栈的核心命令,为开发者和管理员提供快速参考。其原理在于分类存储和结构化展示,便于按需检索。技术价值体现在紧急排障、环境搭建和团队协作等场景,尤其适合需要跨技术栈工作的场景。本文介绍的命令手册涵盖Linux、数据库、网络设备等领域的核心命令,并通过分类体系和条目规范确保实用性。例如,Linux文件操作三剑客(find、grep、awk)和系统监控命令(top、df)都是高频使用的工具。通过版本控制

weixin_33521678的博客 259
上一篇: Postman 如何传入一个数组形式的参数用来测试URL路由地址
下一篇: Python如何处理大数据(收藏)
ppxin
博客等级 码龄19年 3703粉丝 66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