git工作中常用操作

给麒麟KylinOS服务器加把锁:手把手配置符合等保要求的密码强度策略 本文详细介绍了如何在麒麟KylinOS服务器上配置符合等保要求的密码强度策略,包括pwquality.conf和login.defs的核心参数设置、等保合规的进阶配置技巧以及企业环境中的平衡艺术。通过实战案例和测试方法,帮助管理员构建坚固的密码防线,确保系统安全。 阅读详情

GitHub.com 帮助文档

拉取 pull request

  • 根据其 ID 号获取对该拉取请求的引用,在该过程中创建一个新分支。
git fetch origin pull/ID/head:BRANCHNAME
  • 切换到基于此拉取请求的新分支:
git checkout BRANCHNAME

git 常用操作

显示commit的,未push记录

git cherry -v

仅显示远程分支

git remote show origin

删除远程本地存在,远程不存在分支

git remote update origin --prune

git 命令行对比

  • 与上次的 commit 对比
git diff HEAD
  • 与上次的 push 对比
git diff HEAD^
  • 上次的 push 与 上次的 commit 对比
git diff HEAD^ HEAD
  • 上次的 commit 与指定 commit 对比
git diff HEAD <commit_id>

git 中有 master 分支, dev 分支,两个分支均有修改内容,且冲突,rebase 如下:

  1. 切换分支,并更新:
git checkout master
git pull origin master
  1. 切换分支,进行rebase
git checkout dev
git rebase master
  1. 有冲突,查看冲突内容,并解决:
git diff xxx文件
vim xxx文件
git add .
git status
  1. 冲突解决完成后,继续 rebase
git rebase --continue

如果有冲突,继续步骤 3

  1. 查看 rebase 后的状态,提交
git status
git add .
git commit -m "学习rebase"
git push origin dev

git 还原某些文件

  1. 修改了4个文件,在不放弃任何修改的情况下,其中一个文件不想提交,如何操作?
  • 没 add
git add <file>
  • 已经 add
git reset --soft <commitId>
  1. 修改到一半的文件,突然间不需要或者放弃修改了,怎么恢复未修改前文件?
git checkout <file>
  1. 代码写一半,被打断去做其他功能开发,未完成代码保存?
git stash
  1. 代码写一半,发现忘记切换分支了?
git stash & git checkout <file>
  1. 代码需要回滚了?
git reset
  1. 查看提交日志:
git log --oneline
  1. 把 xxx 提交以后的(不包括 xxx 提交)都生成patch
git format-patch xxx
  1. 去除之前的 am
git am --abort
  1. git am 可以一次合并一个文件,或者一个目录下所有的patch
git am dir/*.patch

想删除当前工作目录下的未跟踪文件以及文件夹

git clean -df

git clean -fx

显示将要删除的文件:

git clean -n 

patch 状态:

git apply --stat xxx.patch

patch 检查:

git apply --check xxx.patch

其他操作

  1. 最后三次提交:
git log --oneline -3
  1. 查看分支:
git branch -vv
  1. 查看提交记录
git log --oneline --graph --decorate
git log --graph --oneline
  1. 补丁
git format-patch <commmit_id> --stdout > commmit_id.patch
git format-patch -M master --stdout > dev.patch
揭秘Outlook/QQ邮箱伪造:如何利用Unicode编码绕过SPF检测 本文深入剖析了利用Unicode编码进行邮件显示名伪造的攻击手法,揭示了攻击者如何通过插入零宽字符等特殊编码绕过SPF检测,使邮件在Outlook、QQ邮箱等客户端中看似来自可信发件人。文章通过Python代码示例演示了伪造过程,并提供了从用户自查到管理员部署DMARC策略的多层次防御建议。 阅读详情

相关推荐

发票OFD格式转换成PDF

发票OFD格式转换成PDF

Be_insighted的博客 933

Git-Who 安装与配置指南

`Git-Who` 是一个开源命令行工具,主要用于分析 Git 仓库中代码的贡献者。它不仅显示每个作者对代码库的贡献,而且还能识别出负责各个组件或子系统的开发者。与 `git blame` 只能显示每行代码的作者不同,`Git-Who` 提供了整个文件树(file trees)的作者信息。 该项目主要使用 Go 编程语言开发,同时使用 Ruby 和 Rake 进行构建。 ## 2. 关键技术和...

gitblog_00222的博客 554

IEC61850实战:从ICD文件解析到模型构建

本文深入解析IEC61850标准中的ICD文件结构,从Header、IED到DataTypeTemplates部分,详细介绍了如何构建电力自动化设备的数据模型。通过实战案例展示ICD文件的创建过程,并分享常见问题的调试技巧,帮助工程师快速掌握IEC61850建模方法,提升电力系统自动化项目的实施效率。

weixin_26841743的博客 497

[Git]大话Git

Git从入门到精通

qq_41224289的博客 1450

在 Windows 10 中通过 WSL2 安装 vLLM 部署本地大模型的方法和步骤

通过 WSL2 在 Windows 10 中部署 vLLM 的核心优势是兼顾 Windows 生态与 Linux 环境的 GPU 加速能力,适合需要在 Windows 下开发但依赖 vLLM 高性能推理的场景。相比原生 Windows 部署(Ollama 等工具),该方案性能更优(接近原生 Ubuntu),且支持更大模型和量化优化。若追求极致性能,建议直接使用 Ubuntu 系统;若必须依赖 Windows 工具链,WSL2 + vLLM 是当前最优选择。

当 AI 开始写文章、绘星空,甚至预测未来,您还在旁观吗?这里将剖开人工智能的思考逻辑,拆解 AI 创作的底层密码,也聊聊人工智能里的人文温度。每篇都有让你拍案的细节,快来解锁 AI 时代的神奇世界! 3754

Linux 命令之 locale -- 设置和显示程序运行的语言环境

文章目录命令介绍locale 设置规则使用详解(一)查看当前 locale 设置(二)查看当前系统所有可用 locale(三)设置系统的 locale 命令介绍 locale 是 Linux 系统中多语言环境的设置接口,在 Linux 中,使用 locale 命令来设置和显示程序运行的语言环境,locale 会根据计算机用户所使用的语言,所在国家或者地区,以及当地的文化传统定义一个软件运行时的语言环境。 通过 locale 来设置程序运行的不同语言环境,locale 由ANSI C提供支持。locale 的

liaowenxiong的博客 3万+

查看git有哪些用户_Linux怎么查看有哪些用户正在登录系统

请关注本头条号,每天坚持更新原创干货技术文章。如需学习视频,请在微信搜索公众号“智传网优”直接开始自助视频学习。1. who命令简介Linux who命令用于查询当前正在登录系统的用户,包括登录的身份(系统用户名)、终端号、登录时间、登录时长、IP地址等信息。所有用户都有权限使用。2. who命令选项-H 或 --heading:输出时显示各列的标题;-i 或 -u 或 --idle:显示闲置时间...

weixin_30590161的博客 785

知识图谱实战应用8-从文本关系抽取到知识图谱关系构建流程贯通

大家好,我是微学AI,今天给大家介绍一下知识图谱实战应用8-从文本关系抽取到知识图谱关系构建流程贯通。我们从文本数据中采集到关键信息,并抽取出其中的关系信息,然后在存入图数据库中,整个过程实现自动化,我这里将举一个文本例子进行抽取。 对于知识图谱的构建是将实体、概念和它们之间的关系都以图表形式呈现出来的一种数据结构。要构建一个知识图谱,需要从不同的数据源中采集到相关信息,并将这些信息整合在一起,最终形成一个全面而且精确的知识图谱。

微学AI的博客 2545

Github 热点项目 AFFiNE 告别Notion,本地存储+云端同步!开源的多维笔记工具天花板。

这是一个用自然语言管理Cloudflare云服务的AI工具,开发者只需像聊天一样说"请部署一个带数据库的网站",AI就能自动操作Cloudflare的后台。它结合了用户界面交互和自然语言输入,简化了数据转换和图表设计的过程。相比逐行查看的 git blame,它用树状图展示文件夹贡献排名,用时间轴呈现年度维护者变迁,用数据表格比较开发者活跃指标,让代码维护责任一目了然。项目整理了编码面试的黄金题库和解题模板,提供简历优化指南和系统设计入门路径,既适合零基础新手快速入门,也能帮助有经验者查漏补缺。

opentrending的博客 2183

YOLO11-pose关键点检测:训练实战篇 | 自己数据集从labelme标注到生成yolo格式的关键点数据以及训练教程

教会你如何用自己的数据集转换成对应格式的数据集以及如何训练YOLO11-pose关键点检测

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 5419

【滚雪球学数学建模】第1节·建模入门+三步法+案例

🎓 本文收录于 《滚雪球学数学建模》专栏,本专栏专注于从零基础出发,带你循序渐进掌握数学建模的核心方法与思维路径。通过“滚雪球式”学习法,从最简单的生活化案例到经典建模工具,再到省赛、国赛真题实战演练,逐步积累知识与技能,帮助你搭建完整的建模体系。无论你是刚接触建模的新生,还是希望提升科研与竞赛能力的学者与工程师,本专栏都将为你提供一条清晰、高效、可实操的建模成长路线,助力你快速进阶,突破难点,迈向数学建模竞赛与实际应用的更高峰 🚀!

**My Coding Family** 6413

开发者指南:如何为top-cvpr-2023-papers贡献一篇论文?PR提交全流程教程

top-cvpr-2023-papers 是一个精选的 CVPR 2023 论文合集项目,收录了计算机视觉顶级会议中最具影响力、最具代表性的论文及其开源代码,堪称计算机视觉研究者的"宝藏清单"。如果你发现一篇值得收录的 CVPR 2023 论文却不在列表之中,完全可以通过一次 **PR 提交** 把它贡献进来。本教程将面向新手开发者,从零开始完整讲解贡献论文的全流程,包括仓库克隆、依赖安装、数据添

gitblog_00643的博客 741

超详细的Burp Suite安装使用

‌Burp Suite是一个强大的Web应用安全测试工具,适用于网络安全专业人士进行自动化网络应用程序的安全测试。‌ 它提供了在Windows和Kali Linux上安装和激活Burp Suite Professional的简便步骤,帮助用户快速集成并启用强大的网络扫描和渗透测试功能。Burp Suite的特点包括易于安装、良好的兼容性、内置的自动化工具、优秀的用户体验以及详细的教程,使得无论是安全领域的新手还是经验丰富的专家,都能轻松上手并高效地进行安全测试。此外,Burp Suite还支持扩展功能的使用

Dreams°的博客 2642

工作中常用的git操作

工作中常用的git操作

qq_42880714的博客 1546

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")

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

工作中常用的Git操作

工作中常用的Git操作 粘贴自:微信公众号:程序员共成长 分支操作: git branch 创建分支 git branch -b 创建并切换到新建的分支上 git checkout 切换分支 git branch 查看分支列表 git branch -v 查看所有分支的最后一次操作 git branch -vv 查看当前分支 git brabch...

Youpeng 149

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Git工作流的常用操作

Git工作流的常用操作 Git是一个开源的分布式版本控制系统,用于敏捷高效地处理任何或小或大的项目。 Git 是 Linus Torvalds 为了帮助管理 Linux 内核开发而开发的一个开放源码的版本控制软件。 Git 与常用的版本控制工具 CVS, Subversion 等不同,它采用了分布式版本库的方式,不必服务器端软件支持。 Git在Linux上的安装...

啊啊啊啊2 446

工作中常用的Git操作命令(一)

时间过得真快,一转眼吗喽也是好歹工作几年了,把这些年平时用的git命令整理记录一下,分几个文章,囊括了常用的命令,工作日常很多时候都是使用svn,回到宿舍自己的项目才是git,就问你离不离谱。通过git stash将工作区恢复到上次提交的内容,同时备份本地所做的修改,之后就可以正常git pull了,git pull完成后,执行git stash pop将之前本地做的修改应用到当前工作区。git stash: 备份当前的工作区的内容,从最近的一次提交中读取相关内容,让工作区保证和上次提交的内容一致。

Sobered的博客 1598

Git工作中常用操作

Git是目前世界上最先进的分布式版本控制系统,它没有中央服务器,每个人的电脑就是一个完整的版本库,这样,工作的时候就不需要联网了,因为版本都是在自己的电脑上。既然每个人的电脑都有一个完整的版本库,那多个人如何协作呢?比如说自己在电脑上改了文件A,其他人也在电脑上改了文件A,这时,你们两之间只需把各自的修改推送给对方,就可以互相看到对方的修改了。 工作原理 / 流程: Works...

mj的博客 202

工作中真正常用的 git 操作

我是 java 语言所以用 idea 比较多,就很少会用 git status git log 了,idea 的 git 插件非常强大。常见的 add commit fetch push pull 都不说了。

m0_74774926的博客 478

【Git】工作中常用的git操作

图解git 1. git checkout 在Git中, 术语“checkout”用于在目标实体的不同版本之间进行切换的动作 https://www.cnblogs.com/gaoBlog/p/10955352.html https://www.jianshu.com/p/285302d1eb73 2. git diff 3. git rebase 4. git merge 5. git status https://blog.youkuaiyun.com/qq_39783244/article/details/8

weixin_44441131的博客 355

工作中常用git相关操作整理

       Git在我们的日常工作中使用极其频繁,这里整理了我在工作中接触到一些关于Git的小操作,特此记录方便日后查阅参考。 一、git-commit的提交规范 二、git撤销commit操作 撤销add git reset HEAD . 撤销commit和add git reset --mixed HEAD~1 撤销c...

Luminary的技术烟火 276

[转载]盘点工作中那些常用的git骚操作

盘点工作中那些常用的git骚操作

weixin_43145397的博客 146

工作中git常用操作

在各种版本并行,需求不断迭代的过程中,我们经常会遇到各种打断开发的场景:场景一:当前版本功能开发到一半,上级临时要求去修复某个线上bug?你能说不吗, 那当然绝对服从组织安排 😄场景二:已经提交且合并主分支的功能版本,产品经理不要了,或则更有甚者只要求留部分功能。你又能说不吗?🐶场景三: 不小心把开发到一半的commit,也一并提交上去了。如何优雅退回?还有其他各种奇葩场景,欢迎大家评论区留言讨论👏。

Bruce__taotao的博客 669

git工作常用操作

Git命令熟悉 git merge和git merge --no-ff的区别 –no-ff指的是强行关闭fast-forward方式。 fast-forward方式就是当条件允许的时候,git直接把HEAD指针指向合并分支的头,完成合并。属于 “快进方式”,不过这种情况如果删除分支,则会丢失分支信息。因为在这个过程中没有创建commit git merge --squash 是用来把一些不必要commit进行压缩,比如说,你的分支在开发的时候写的 commit很乱,那么我们合并的时候不希望把这些历史co

weixin_41185826的博客 809

git - 工作中常用的操作(2)

本文总结了Git常用操作命令指南,包含15个常见场景的解决方案:1)删除本地/远程分支;2)同步远程分支到本地;3)pull与merge区别;4)fetch命令详解;5)撤销已push提交的两种方式;6)暂存工作目录更改;7)撤销未push提交;8)回退已merge代码;9)修改远程仓库地址;10)重命名远程仓库;11)添加新远程仓库;12)本地新建并推送分支;13)重命名本地分支并推送。文章采用代码块形式清晰展示命令语法,适合开发者快速查阅常见Git操作需求。

尽日寻春不见春,芒鞋踏遍陇头云。归来笑拈梅花嗅,春在枝头已十分。 877

Git工作中常用操作记录

1、查看当前的仓库状态 git status 2、查看所有分支 git branch 3、创建分支并关联到远程仓库,然后切换到该分支(注意:该分支必须在远程仓库已经存在) git checkout -b 新分支名 origin/新分支名 4、切换分支 git checkout 分支名 5、删除分支 git branch -D 分支名 6、在当前分支下拉取远程仓库最新代码 git pull 7、忽略某些文件的更改(不能影响新建和删除文件操作,只影响修改操作) 忽略正在修改的一个文件 git c

名狱的博客 378
上一篇: docker 运行并使用 arthas 的方式
下一篇: mongo日志按日期分隔
who7708
博客等级 码龄16年 8粉丝 35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  | 博主筛选后可见
 
 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