本地代码上传远程GitHub仓库小白教程(GitHub Desktop、详细图解)

本地代码上传远程GitHub仓库小白教程(GitHub Desktop、详细图解)

目录

一、前言

二、下载安装GitHub Desktop

三、登录使用GitHub Desktop

四、本地代码上传远程GitHub仓库


一、前言

这篇博客是我在学习GitHub使用时,在跟着b站教学视频实操成功的个人记录。原视频博主提到Git对于小白来说不是很友好,需要记的指令太多了,所以下载按照GitHub官方的GitHub Desktop对小白来说会更加简单方便。然后后续就是本博客记录本地代码通过GitHub Desktop上传远程GitHub仓库的小白教程(在使用GitHub Desktop时建议科学上网或者是开加速器,这里就不提了,懂的都懂,不可言传)

二、下载安装GitHub Desktop

直接浏览器搜索GitHub Desktop,认准官网的去下载安装即可

网页应该会自动识别要下载的版本,点击Download即可

下载完成之后点击打开文件就会自动下载安装(此图仅供展示,我安装完就把文件删了)

桌面出现快捷图标就表示安装完成了(由于自动安装的整个过程都没有出现选择安装路径的提示,我查看属性发现是在c盘就想着重新安装到d盘,然后从联想应用商店又下了一次发现还是安装在c盘),不过查看大小就几kb就不管了,应该就是调不了只能装c盘

三、登录使用GitHub Desktop

首次登录会出现如下界面让你登录GitHub账号(这是b站视频的界面,我自己第一次打开没有截图,界面跟这个有点不一样但是无伤大雅),点击红框的Sign into GitHub.com

再点击Continue with browser

然后浏览器界面会出现让你输入用户密码的界面(第一次登录),也可能直接出现你的GitHub账号头像,点击Cotinue即可

在出现如下图的界面之前还会有一个第一次登录会出现的界面(反正点击发光的那个按钮即可),然后选择打开GitHubDesktop

四、本地代码上传远程GitHub仓库

如果是首次打开,找到红框的位置点击一下,可以创建一个本地仓库

在左上角点击File再点击Add local repository也是一样的效果

点击Choose选择想要上传的本地代码

点到最外层的文件栏即可,不用点进去,然后点击Add repository

然后会出现红色字体的提示询问你是否要创建一个新的本地仓库,点击蓝色字体的create a repository会跳出下面Create a new repository的界面(这里基本是不用动的,当然想改名也可以)。直接点击create repository回到原来界面再点击Add repository

此时就算是创建好了一个仓库但是这个仓库还是本地的(我这里创建了一个YuforiaCode本地仓库),上方可以看到三个区域。从左往右:第一个可以切换本地仓库,第二个可以查看分支,第三个可以将现在这个本地仓库上传远程GitHub仓库(第一次这里显示Publish repository意思就是第一次发布上去,发布之后这里就会显示Fetch origin就是再原先基础上进行更新了)

点击一下第一个区域,下面的界面就有Changes变为下图:(如果此时有多个本地仓库那么就可以直接进行切换)

点击一下第三个区域(这个截图就按照视频教程的第一次发布来展示),它默认你发布到GitHub上的仓库是私有的,如果你想改为公有的就去掉勾选。然后Name和Description的话就自己编辑了,编辑完就点击Publish repository(发布可能会失败,失败了就多点击几次,建议全程科学上网,挂加速器可能有时会出问题或者很慢)

如果没有成功在大概这个位置会出现蓝色小图标再次点击即可

以我个人为例,成功之后打开GitHub就能够看到本地上传的YuforiaCode仓库了

左侧这个界面其实就和苍穹外卖开发很像了,只要你每次更改文件内容,它这里就会自动识别并给出Changes的具体罗列,想上传的changed files就勾选上,不想上传就取消勾选。下面就是总结和具体描述,自行填写即可,最后上传点击commit to main(注意这一步只是把修改提交到本地仓库)

想再把本地仓库推送到远程仓库的话就点击如图的蓝色按钮Push origin,这个英文意思就是推送到远程仓库(使用加速器不稳定很慢或者失败就重新上传,建议还是科学上网,反正我啥情况都没出现)

Read more

医疗AI场景下算法编程的深度解析(2026新生培训讲稿)(五)

医疗AI场景下算法编程的深度解析(2026新生培训讲稿)(五)

第9章 朴素贝叶斯算法:医学文本分类利器 在医疗信息化进程中,非结构化的文本数据占据了医疗信息的很大比重——从电子病历的病程记录、出院小结,到医学文献、临床指南,乃至患者的在线咨询记录。如何从这些海量文本中高效、准确地提取关键信息,是医疗AI面临的重要挑战。朴素贝叶斯(Naïve Bayes)算法以其简单、高效、对高维稀疏数据适应性强的特点,成为医学文本分类任务中的经典利器。本章将从算法原理出发,深入解析朴素贝叶斯在医疗场景中的应用,并通过实战案例展示从文本预处理、特征提取到模型训练与评估的完整流程。 9.1 算法原理 朴素贝叶斯是一系列基于贝叶斯定理的分类算法,其核心是“朴素”的条件独立性假设——在给定类别的情况下,各个特征之间相互独立。尽管这一假设在现实中很少完全成立,但朴素贝叶斯在众多实际任务中仍表现出色,尤其是在文本分类领域。 9.1.1 贝叶斯定理 贝叶斯定理描述了在已知某些条件下,事件发生的概率如何更新。对于分类问题,我们希望计算给定样本 (x) 的条件下,其属于类别 (C_k) 的概率,

By Ne0inhk

Flutter 组件 pathfinding 的鸿蒙化适配实战 - 驾驭极致拓扑寻踪大坝、实现 OpenHarmony 分布式端高性能 AI 寻路、迷宫拓扑与工业级路径导航核方案

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net Flutter 组件 pathfinding 的鸿蒙化适配实战 - 驾驭极致拓扑寻踪大坝、实现 OpenHarmony 分布式端高性能 AI 寻路、迷宫拓扑与工业级路径导航核方案 前言 在鸿蒙(OpenHarmony)生态的分布式工业巡检、高性能游戏开发或者是对空间计算有极其严苛要求的 0308 批次智能仓储应用中。“复杂环境下的路径最优解计算与实时障碍避让维度”是衡量整个系统智慧化程度的最终质量门禁。面对包含数万个节点的网格地图、海量动态变化的货架坐标、甚至是由于跨设备同步产生的 0308 批次拓扑逻辑海洋。如果仅仅依靠简单的“直线欧式距离”或者是干瘪的广度优先搜索(BFS)。不仅会导致在处理大型复杂地图时让系统如同在逻辑废墟中盲人摸象。更会因为计算耗时指数级爆炸,让移动端在进行路径导航时瞬间陷入死机盲区。 我们需要一种“逻辑先行、代价建模”的空间演算艺术。 pathfinding 是一套专注于无缝整合全球公认顶级算法 A*、Dijkstra 以及二叉堆

By Ne0inhk
人工智能:深度学习中的卷积神经网络(CNN)实战应用

人工智能:深度学习中的卷积神经网络(CNN)实战应用

人工智能:深度学习中的卷积神经网络(CNN)实战应用 1.1 本章学习目标与重点 💡 学习目标:掌握卷积神经网络的核心原理、经典网络架构,以及在图像分类任务中的实战开发流程。 💡 学习重点:理解卷积层、池化层的工作机制,学会使用 TensorFlow 搭建 CNN 模型并完成训练与评估。 1.2 卷积神经网络核心原理 1.2.1 卷积层:提取图像局部特征 💡 卷积层是 CNN 的核心组件,其作用是通过卷积核对输入图像进行局部特征提取。 卷积核本质是一个小型的权重矩阵。它会按照设定的步长在图像上滑动。每滑动一次,卷积核就会与对应区域的像素值做内积运算,输出一个特征值。 这个过程可以捕捉图像的边缘、纹理等基础特征。 ⚠️ 注意:卷积核的数量决定了输出特征图的通道数,数量越多,提取的特征维度越丰富。 ① 定义一个 3×3 大小的卷积核,步长设为 1,填充方式为 SAME

By Ne0inhk