Git&Github常规使用

了解Git基本操作,包括仓库管理、文件添加与提交、分支创建与合并,以及如何使用GitHub进行项目托管和个人网站搭建。

仓库:(repository)用来存放项目代码,每一个项目对应一个仓库,多个开源项目对应多个仓库
收藏:(star)收藏项目,方便管理查看
复制克隆项目:(fork)点一下,将人家的仓库完整的复制了一份,并且复制的这个仓库是独立的,父本修改而不影响copy后的这一份
发起请求:(pall request)

Git下载安装https://git-scm.com/download/win

Git工作区域
1)Git Repository(Git 仓库):最终确定的文件保存到仓库,成为一个新的版本,并且堆他人可见
2)暂存区:暂存已经修改的文件,最后统一提交到git仓库中
3)工作区(Working Directory):添加,编辑,修改文件等动作

以下操作属于本地操作
新建文件夹,这是在本地下操作,对项目没有任何影响
常用命令:

添加文件
1)git status //查看状态
2)git add //添加暂存区
3)git commit //提交

修改文件
1)vi //修改文件
2)git status //查看状态
3)git add //添加到暂存区
4)git commit //提交
删除文件
rm -rf xxx //产出文件
git rm xxxx //从git中删除文件
git commit


Git远程仓库
version DB
将本地仓库同步到git远程仓库中 工作区提交到暂存区(git add),暂存区提交到git仓库,git仓库提交到git远程仓库(git push)
连接远程仓库步骤:
1)git clone 仓库地址 //将仓库下载下来
2)创建文件
3)git push //提交到仓库,可能会输用户名和密码

Github搭建个人网站:
1)创建个人站点 --> 新建仓库(注意:仓库名必须是【用户名.github.io】)
2)在仓库下新建index.html的文件
注意:1)仓库里面仅支持静态网页;2)仓库里面只能是.html文件

Git创建分支:
git branch xxx //创建新的分支
git branch -v //查看已有的分支
git checkout xxx //切换分支
合并操作:1)切换到接受方;2)执行merge命令
git checkout master
git merge hot_1 //hot_1中做的修改就拿到了master中

代码转载自:https://pan.quark.cn/s/a4b39357ea24 本文重点阐述了利用 LabVIEW 软件构建的锁相放大器的设计方案及其具体实施流程,并探讨了该设备在声波相位差定位系统中的实际运用情况。 锁相放大器作为一项基础测量技术,其核心功能在于能够精确锁定微弱信号的频率参数并完成相关测量工作。 在采用 LabVIEW 软件开发的锁相放大器系统中,通过计算测量信号与两条参考信号之间的互相关函数,实现对微弱信号的频率锁定,同时输出被测信号的幅值信息。 虚拟仪器技术是一种基于计算机硬件平台的仪器系统,其显著特征在于用户可以根据实际需求自主设计仪器功能,配备虚拟化操作界面,并将测试功能完全由专用软件程序实现。 虚拟仪器系统的基本架构主要由计算机主机、专用软件程序以及硬件接口模块等核心部件构成。 虚拟仪器最突出的优势在于其功能完全取决于软件编程,用户可以根据具体应用场景灵活调整系统功能参数。 在基于 LabVIEW 软件开发的锁相放大器系统中,主要运用 LabVIEW 软件平台完成锁相放大器功能的整体设计。 LabVIEW 作为一个图形化编程环境,能够高效地完成虚拟仪器的开发工作。 借助 LabVIEW 软件,可以快速构建锁相放大器的用户操作界面,并且可以根据实际需求进行灵活调整和功能扩展。 锁相放大器系统的关键构成要素包括测量信号输入通道、参考信号输入通道、频率锁定处理单元以及信号幅值输出单元。 测量信号是系统需要检测的对象,参考信号则用于引导系统完成对测量信号的频率锁定。 频率锁定处理单元负责实现测量信号的锁定功能,信号幅值输出单元则负责输出被测信号的幅值大小。 在锁相放大器的实际实现过程中,系统采用了双路参考信号输入方案来锁定测量信号。 通过分析两路参考信号之间的相...
边缘计算环境中基于启发式算法的深度神经网络卸载策略(Matlab代码实现)内容概要:本文介绍了在边缘计算环境中,利用启发式算法实现深度神经网络任务卸载的策略,并提供了相应的Matlab代码实现。文章重点探讨了如何通过合理的任务划分与调度,将深度神经网络的计算任务高效地卸载到边缘服务器,从而降低终端设备的计算负担、减少延迟并提高整体系统效率。文中涵盖了问题建模、启发式算法设计(如贪心策略、遗传算法、粒子群优化等可能的候选方法)、性能评估指标(如能耗、延迟、资源利用率)以及仿真实验结果分析等内容,旨在为边缘智能计算中的模型推理优化提供可行的技术路径。; 适合人群:具备一定编程基础,熟悉Matlab工具,从事边缘计算、人工智能、物联网或智能系统优化方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①研究深度神经网络在资源受限设备上的部署与优化;②探索边缘计算环境下的任务卸载机制与算法设计;③通过Matlab仿真验证不同启发式算法在实际场景中的性能表现,优化系统延迟与能耗。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注算法实现细节与仿真参数设置,同时可尝试复现并对比不同启发式算法的效果,以深入理解边缘计算中DNN卸载的核心挑战与解决方案。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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