git使用

Git-git worktree的使用 Git worktree 是解决多分支开发场景的高效工具。相比传统方法,它可以为同一仓库创建多个独立工作区,每个工作区对应不同分支,避免了频繁切换分支时重新编译的问题。通过 git worktree add 创建新工作区后,各工作区编译文件相互独立,且共享同一个.git目录,既节省磁盘空间又保持实时同步。相比复制整个项目或频繁切换分支,worktree 方案在时间效率、磁盘利用和操作便捷性上都有明显优势,特别适合需要同时在多个分支开发的场景。 阅读详情

git init初始化.git文件
本地-暂存区-远程仓库
git add . 所有的放到暂存区
git add 1.html 2.html 放到暂存区
git commit -m 放到远程仓库
git status 看文件有没有改动
git log 查看提交记录
git log --author=" " 查看某一个人的提交记录

下载代码仓库的代码
第一步:创建一个本地的版本库(即新建一个文件夹)
第二步:选中文件夹右键–Git bash here–进入控制面板,输入命令git init 初始化化文件夹,把这个文件夹变成Git可管理的仓库
第三步:把gitee(码云)上的项目地址复过来,git clone “你的仓库地址”,

配置用户名和邮箱
git config --global user.name '五月天‘
git config --global user.email ‘473865904@qq.com’
git config --global --list 查看配置

手动删除 git add. 把文件删除之后git add. 再添加,就可以删除了
自动删除 git rm demo.html

手动重命名:git rm demo.html 删除之前文件 git add homg.html 添加文件 git
命令行重命名:git mv demo.html home.html git status

移动文件 git mv demo.html home 把demo移动到home文件夹下 git commit -m 移动文件夹
移动并重命名 git mv demo.html home/home.html 移动到home 并且重命名为home.html git commit -m移动并重命名文件夹

查看操作信息
git log --pretty=oneline home/home.html 拿到commit id
git show id 就可以看到是谁在什么时候提交的
git log -p home/home.html可以直接查看到操作信息

git diff 找到不同 (红色是之前内容,绿色是现在)
把文件回退到上一次提交状态 git checkout – home/home.html (git add.之后对文件实现追踪,这个就不起效 git reset HEAD home/home.html绿变红,把文件修改从暂存区取出 就可以git checkout…)

回退任意版本
git reset --hard HEAD^ 回退到上一个版本
git reset --hard HEAD^^回退到上两个版本
git log拿到id git reset --hard id(前7,8位) 回退到之前的版本

指定文件回退到指定版本
git log 拿到id
git checkout id --version.html 只回退指定文件version回退到指定版本
git commit -m 将指定文件回退到指定版本

创建代码提交到远程仓库
git init
git add.
git commit -m “first commit”
git remote add origin https://github.com/lad...
git push -u origin master
完成某一阶段的任务之后:
git add .
git commot -m 增加文件
git push origin master 把文件推送到默认master,网页就有文件

创建标签
git tag v1.0 默认加在最新的commit上
git log 拿到id
git tag v1.2 id加在某一次commit
git tag -d v0.5删除0.5标签
git push origin v1.0 把标签推送到远程仓库

切换、删除分支
git branch dev 创建dev分支
git branch查看所有分支 *branch当前所在分支
git checkout dev 跳转到dev分支
git branch -d dev 删除分支 (不能删除当前所在分支)
git branch -D test强制删除分支 (尽管有add commit)
git checkout -b test创建并跳转到test分支

合并分支
git checkout master
git merge dev 把 dev合并到marster,对dev没有影响

有合并冲突时正确合并分支
1.git merge -abort 直接忽略其他分支,保留原分支源代码
2.把冲突代码解决,git status git add . git commit 填写信息 按esc 输入 :wq 退出 git commit -m 解决冲突之后的代码

何时使用Git rebase而非Git merge 在软件开发过程中,版本控制是至关重要的环节,Git作为目前最流行的分布式版本控制系统,提供了丰富的功能来管理代码的变更。其中,git merge和git rebase是两个常用的用于合并分支的命令,但它们的实现方式和应用场景有所不同。理解何时使用git rebase而非git merge,有助于开发者更好地管理代码分支和维护清晰的提交历史。 阅读详情

相关推荐

Qt开发实战:QWebEngineView缓存路径详解与自定义配置(Windows/Linux)

本文详细解析了Qt框架中QWebEngineView组件的缓存机制,提供了Windows和Linux系统下的默认缓存路径及自定义配置方案。通过实战代码示例,展示了如何实现跨平台缓存路径管理、权限设置以及企业级应用中的多用户隔离策略,帮助开发者有效管理Web内容缓存,提升应用性能和数据安全性。

weixin_42519826的博客 403

Git使用

Git从入门到熟练使用

smartcat2010的博客 7041

英飞凌AURIX™ Development Studio(ADS)工程调试与烧录实战指南

本文详细介绍了英飞凌AURIX™ Development Studio(ADS)的工程调试与烧录实战指南。从调试环境搭建、硬件连接到断点设置、变量监控等核心调试技巧,帮助开发者快速掌握ADS安装使用教程,提升多核处理器开发效率。

k8l9m0n的博客 573

Git系列四:常用命令的使用 git add、git status、git commit、git reset、git log、git pull、git push

常用命令的使用 git add、git status、git commit、git reset、git pull、git push、git log

qq_34761779的博客 1579

国密套件ECC-SM2-SM4-CBC-SM3和ECDHE-SM2-WITH-SM4-SM3

双方交换各自的公钥,最后A计算点(x1,y1) = d1Q2,B计算点(x2,y2) = d2Q1,由于椭圆曲线上是可以满足乘法交换和结合律,所以 d1Q2 = d1d2G = d2d1G = d2Q1 ,因此双方的 x 坐标是一样的,所以它是共享密钥,也就是会话密钥。4、客户端和服务端分别使用工作密钥,计算主密钥,客户端随机数,服务端随机数,字符串常量"key expansion",经PRF计算生成工作密钥。工作密钥包括加密密钥和校验密钥,具体密钥长度由选择的密码算法决定。客户端支持的压缩算法列表。

Java学习笔记 3782

【逆向实战】Unity游戏资源提取与解密全攻略:从AssetBundle到libil2cpp.so的破解技巧

本文详细介绍了Unity游戏资源提取与解密的完整流程,涵盖从AssetBundle到libil2cpp.so的破解技巧。通过AssetStudio和Il2CppDumper等工具,读者可以学习如何提取未加密资源、处理加密文件,并掌握动态dump技术。文章还提供了自动化脚本编写和常见问题解决方案,帮助逆向工程爱好者高效完成资源提取任务。

weixin_29012765的博客 1046

Git教程——git使用

GIT是目前最先进的分布式版本控制系统。这篇文章我们来学习Git教程——git使用。我们主要通过git初始化、增删改查、提交文件到仓库、版本库控制等操作来学习git的使用。

霖hero 4080

基于STM32L4XX 、HAL库的ATD5984步进电机驱动器驱动程序应用设计

一、简介: ATD5984是一款内部集成了译码器的微特步进电机 驱动器,能使双极步进电机以全、半、1/4、/1/8、1/16 和1/32步进模式工作。步进模式由逻辑输入管脚MSx选 择。其输出驱动能力达到28V±1.6A。 译码器是ATD5984易于使用的关键,通过STEP管脚 输入一个脉冲就可以使电机完成一次步进,省去了相序 表,高频控制线及复杂的编程接口,使其更适于没有复 杂的微处理器或微处理器负担过重的场合。 在步进操作期间,ATD5984的内部电路可以自动

PP_Cottage的博客 406

Git使用总结

Git是什么... 3 Git使用... 3 下载安装... 3 git本地仓库管理(基础)... 4 设置本地账户信息git config --global. 4 创建本地仓库 git init 4 提交代码版本,进行管理 git commit/add. 5 查看文件变化情况与提交记录... 6 git diff 6 git status. 7 git log. 8 还原代...

lishanxin1991的博客 911

低功耗边缘设备部署指南:YOLO26 INT8量化与TensorRT加速全流程

将YOLO26 INT8部署到低功耗边缘设备,核心原则是“校准为王、敏感层精准回退、端到端验证”。校准集≥500张,来自真实推理场景,未经训练增强校准集预处理与推理pipeline逐行对齐trtexec命令必带--fp16作为fallback量化后用polygraphy定位敏感层,而非盲猜仅回退必要层(通常2-3个),保留INT8收益在真实部署场景测试集上验证mAP,不以COCO为准C++部署使用异步推理+双缓冲nsys profiling确认无传输瓶颈。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 212

RKNN 端侧部署必看:YOLOv11 Pose 姿态估计模型转换与性能优化实战

随着人工智能技术在边缘计算领域的快速发展,姿态估计作为计算机视觉的重要分支,在智能监控、人机交互、体感游戏等场景中展现出巨大的应用潜力。本文深入研究了YOLOv11 Pose模型在Rockchip RKNN平台上的部署方案,从理论基础、模型转换、平台优化到实际部署进行了全面阐述。通过详细的技术分析和实验验证,证明了RKNN平台能够有效提升YOLOv11 Pose的推理性能,在RK3588硬件平台上实现了高达100 FPS的实时姿态检测,为边缘计算场景下的姿态估计应用提供了高效的解决方案。

m0_71589036的博客 183

【Git】在Idea中使用Git

安装好IntelliJ IDEA后,如果Git安装在默认路径下,那么idea会自动找到git的位置,如果更改了Git的安装位置则需要手动配置下Git的路径。2、每一位组员从远程仓库克隆项目到idea中,这样每位同学在自己电脑上就有了一个工作副本,可以正式的开始开发了。4、组员A和组员B修改了同一个文件的同一行,提交到本地没有问题,但是推送到远程仓库时,后一个推送操作就会失败。3、组员A修改工作区,提交到本地仓库,再推送到远程仓库。解决方法:需要先获取远程仓库的代码到本地仓库,编辑冲突,提交并推送代码。

咖喱年糕的博客 7192

SAP 打印输出中 `#` 字符替代日文汉字的根本原因与全面解决方案

只要认清设备类型 / 字符集 / 字体三角关系,并合理利用PDFUCSWINCF或 UPE + URDT,LP01里那些恼人的就会彻底消失,日文汉字将在纸面与 PDF 中如预览一样完美呈现。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 814

【Git】git的简单使用

reset到commit1,reset的内容被放入本地仓(commit1的内容覆盖本地仓),而暂存区中依然是commit3的内容。hard:reset到commit1,reset的内容被放入工作区(即commit1的内容不仅覆盖了本地仓和暂存区,还覆盖了工作区的内容)main.c的内容直接被commit1的修改覆盖。reset到commit1,reset的内容被放入暂存区(commit1的内容覆盖本地仓和暂存区),而工作区中依然是commit3的内容。提交一次,表示引入了某个子模块。

张壮壮的博客 1537

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")

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

git总结-git使用

                 哈喽,大家好,这个周末过的这么样!反正我是在学习中度 过的。这次上次介绍的是,git的存储原理,大多了解一下就好了。 这篇的就是干货了。必须要学会得的,到目前为止我知道的是使用git的三种操作方式。都比较好用。 01使用git命令行             git的安装直接百度就好了,都是傻瓜式下一步就好了。https://jingyan.baidu....

lingFei_y的博客 303

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

【Git】之Git使用基础

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 1、首先需要安装Git,下一步下一步就行,这里就不说了。值得一提的是,如果Git安装成功,当你在某个文件夹下点击鼠标右键的时候,弹出的菜单中会有一项是Git Bash Here,点击这一项就可以弹...

定格空间 266

【Git】切换分支,以及git stash的使用

问:怎样在不commit的情况下,拉取别人的代码 / 切换到本地某次commit? 更新项目步骤 可以先执行git stash 将本地修改保存起来。 这样本地就干净了。再使用git status,看不见修改的文件 然后 git pull 拉取别人最新代码 git stash pop恢复最新的进度到工作区。git默认会把工作区和暂存区的改动都恢复到工作区。git status后就可以看见之前修...

寒泉 3万+

git使用—git使用笔记

git diff,git status,git branch,git checkout,git commit -m,git add -A

Carson IT之旅 2256

Git、Git LFS使用

Git、Git Lfs常用指令

qq_39654162的博客 1235

【Git】使用 SSH 进行 Git 操作的完整步骤

使用 **SSH** 进行 Git 操作的完整步骤。从 **git clone** 到 **git push**,并确保之后不需要输入密码。

LuckiBit 587

Git使用git alias提高git的使用效率

本文介绍了如何通过git alias简化常用git命令的操作。可以通过命令行或修改.gitconfig文件添加alias,如将git add简化为git a。还推荐了开源项目GitAlias提供的丰富alias集合,只需在配置文件中引入即可使用。此外,文章建议将git命令简化为g,并介绍了node环境下的git-alias工具。通过合理配置alias,可以显著提升git操作效率。

荷塘月色 190

Git 的基本使用

简单了解git的使用

2302_78290720的博客 675

从Git的存储布局到Git的使用

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。 本作品 (李兆龙 博文, 由 李兆龙 创作),由 李兆龙 确认,转载请注明版权。 文章目录引言.git目录解析git四大对象Committreeblobtagbranchindex(暂缓区)headerindexgit commitgit gc常用的命令有意思的脚本总结 引言 Git是一个分布式版本控制工具,我想其大名在当今互联网界可以说是无人不知,无人不晓。也许学生时代不是刚需,但是工作以后像腾讯,阿里这样的公司团队协作的

李兆龙的博客 826

自己总结的 git 使用

Git 常用命令 git 四连 git add . // 将所有的改动放进暂存区 git commit -m '描述' // 提交并附带概要信息 git pull // con远程仓库拉取代码 git push // 推送代码到远程仓库(master分支) git其余常用命令 git log // 查看日志 git log -p // 查看详细历史 git

weixin_43028853的博客 186

关于git clone、git pull和git push的使用

关于git clone、git pull和git push的使用 文章目录关于git clone、git pull和git push的使用前言一、git 的基本指令二、git clone、git pull 和git push使用举例1.git clone2.git pull3.git push总结参考内容 前言 本人在最近做项目时初学git的使用方法,主要是完成pull和push的动作 一、git 的基本指令 1) 远程仓库相关命令 检出仓库:$ git clone XXX.git 查看远程仓库:$

Python_Cecil的博客 890
上一篇: vue易错
下一篇: Chrome调试
qq_47414739
博客等级 码龄7年 0粉丝 11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