GitHub.com上的那些东西你都知道什么意思吗?

GitHub初学入门者的图谱,介绍Github网站每个功能的意思
一、键盘快捷键
=============================
在GitHub中,很多页面都可以使用键盘快捷键。在各个页面按下“shift + /”都可以打开键盘快捷键一览表,如下图:

 

快捷键

 

二、工具栏
============================

 

工具栏

  1. LOGO
    点击GitHub的LOGO就会进入控制面板。
  2. Search(搜索)
    在这里输入想要找的用户或代码片段,就可以搜索到与之相关的信息
  3. Pull Request(请求)
    显示用户已经进行过Pull Request。通过这里,开发者可以很方便地追踪Pull Request的后续情况。
  4. Issue(问题)
    在这里可以查看用户拥有权限的仓库或分配给自己的Issue。当用户同时进行多个项目时,可以在这里一并查看Issue。
  5. Gist(代码片段)
    Gist功能主要时用于管理及发布一些没必要保存在仓库中的代码,比如小代码片段等。系统会自动管理更新历史,并且提供了Fork功能。在Gist上添加代码示例可以嵌入博客中,当然,如果选择了语言,还会自动添加语法高亮。
  6. Notifications(通知)
    这一图标用于提示用户是否有更新的通知。
  7. Create a new...
    创建新的Git仓库或Organization,向Organization(组织)添加成员、小组、仓库,为仓库添加Issue或collaborator(合作者)等操作的菜单都聚集在这里。显示的内容会根据当前页面的不同而改变。
    头像、用户名

三、个人信息页

个人信息页

  1. 用户信息
    显示注册的基本信息,包括姓名、所属公司、邮箱地址、已加入的Organization(组织)等,如果对该用户感兴趣,可以点击页面右上角的Follow(跟随)按钮(已经Follow的用户会显示Unfollow)。这样一来,这个人在GitHub上的活动都会显示在您的News Feed(新闻提要)中。
  2. Popular Repositories(受欢迎的库)
    显示公开仓库中受欢迎的、拥有大量Start(收藏、标星)的部分热门仓库
  3. Repositories contributed to(做过贡献的库)
    按时间先后顺序显示该用户作过贡献的部分仓库。该用户可能是仓库的软件开发者,也可能只是通过发送Pull Request等方式对该仓库做过某些贡献。
  4. Public contributions(公共贡献)
    一格表示一天,记录当日用户对拥有读取权限的仓库的大致贡献度。贡献度的衡量标准包括发送Pull Request的次数、写Issue的次数、进行提交的次数等。颜色越深代表贡献度越高,绿色天数越多说明在GitHub上活跃度越高。
  5. Contribution activity(贡献过的活动)
    按时间顺序显示具体贡活动的链接
  6. Repositories
    显示该用户公共开的仓库。Fork(叉)来的仓库也显示在这里。
    仓库名称、简要说明、使用的语言、最终更新日期都会出现在列表中。星形图案旁边的数字表示这个仓库添加Star的人数,再旁边是杯Fork数。

     

    Repositories.jpg

  7. Public Activity(公开的活动)
    显示该用户的公开活动信息。活动就是指这个用户做了什么,比如向仓库进行提交或者Pull Request等,其大量的公开信息都会被记录在这里。从这里可以了解到这个用户平常都在GitHub上做些什么,比如查看一下崇拜已久的程序员的公开活动,就可以知道他现在在关注些什么,或者正在热心于开发些什么。

     

    Public Activity.jpg

四、仓库

仓库.png

  1. 用户名(组织名)/仓库名
  2. Watch、Star、Fork
    眼睛图标标着Watch字样,点击这个按钮就可以Watch该仓库,今后该仓库的更新信息会显示在用户的公开活动中。Star旁边的数组表示给这个仓库添加Star的人数,这个数越高,代表该仓库越受关注。
    Watch与Star不同的地方在于,Watch之后该仓库的相关信息会在您的个人Notifications中显示,让用户可以追踪仓库的内容,而Star更像是书签,让用户将来可以在Star标记的列表中找到该仓库。另外,Star数还是GitHub上判断仓库热门程度的标志之一。
  3. Code,显示该仓库的文件列表,以及该仓库的简单说明和URL。
  4. Pull Request
    在Pull Request中可以列表查看并管理Pull Request。代码等更改和讨论都可以在这里进行。旁边的数字表示尚未Close的Pull Request的数量。
  5. Pulse
    显示该仓库最近的活动信息。该仓库中软件是无人问津还是在热火朝天的开发之中,从这里可以一目了然。
  6. Graphs
    以图表的形式显示该仓库的各项指标,让用户轻松了解该仓库的活动倾向
  7. SSH Clone URL
    clone仓库是所需要的URL。点击右侧的剪切板图标可以将URL复制到剪切板中,点击STTPS、SSH图标可以切换到相应协议的URL。
  8. Clone in Desktop
    启动GitHub专用的客户端应用程序进行clone。GitHub专用的客户端应用程序有Windows和Mac版。以及直接下载仓库的ZIP包
  9. commits,查看当前分支的提交历史,左边的数字表示提交数
  10. branches,查看仓库的分支列表,左边的数字表示当前拥有的分支数
  11. releases
    显示仓库的标签(Tag)列表。同时可以将标签加入时文件以归档形式(ZIP、tar.gz)下载到本地。软件在版本升级时一般都会打标签,如果需要特定版本的文件,可以从这里寻找。
  12. contributore(贡献者)
    显示对该仓库进行提交的程序员名单。左边的数字表示程序员的人数
    切换分支的地方已经显示当前分支
  13. files(文件列表)
    可以产看当前分支的文件,顶端为最新提交的相关信息。在文件或目录的列表中,从左至右分别为文件名称、该文件最新的提交日志、更新日期。点击目录或文件可以查看相应内容。



作者:Dunizb
链接:https://www.jianshu.com/p/6aca92038c00
来源:简书
简书著作权归作者所有,任何形式的转载都请联系作者获得授权并注明出处。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/439421.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【Python学习】 - sklearn学习 - 数据集分割方法 - 随机划分与K折交叉划分与StratifiedKFold与StratifiedShuffleSplit

一、随机划分 import numpy as np from sklearn import datasetsiris datasets.load_iris() X iris.data y iris.target# 1)归一化前,将原始数据分割 from sklearn.model_selection import train_test_split X_train,X_test,y_train,y_test train_t…

CURLE_WRITE_ERROR

size_t write_data(void *buffer, size_t size, size_t nmemb, void *userp) { return 0; //return size * nmemb; } curl_easy_setopt(curl, CURLOPT_WRITEFUNCTION, write_data); res curl_easy_perform(curl); 如果应…

Azure 应用服务、虚拟机、Service Fabric 和云服务的比较

Azure 提供了几种托管网站的方式:Azure 应用服务、虚拟机、Service Fabric 和云服务。 本文可帮助你了解这几种方式,并针对 Web 应用程序做出正确的选择。 Azure 应用服务是大多数 Web 应用的最佳选择。 部署和管理都已集成到平台,站点可以快…

【Python学习】 - sklearn - PCA降维相关

1、PCA算法介绍 主成分分析(Principal Components Analysis),简称PCA,是一种数据降维技术,用于数据预处理。一般我们获取的原始数据维度都很高,比如1000个特征,在这1000个特征中可能包含了很多…

【Python学习】 - sklearn - 用于生成数据的make_blobs模块

函数原型: sklearn.datasets.make_blobs(n_samples100, n_features2, centers3, cluster_std1.0, center_box(-10.0, 10.0), shuffleTrue, random_stateNone) 参数含义: n_samples: int, optional (default100) The total number of points equally di…

微服务架构及幂等性

微服务架构 微服务架构是一种架构概念,旨在通过将功能分解到各个离散的服务中以实现对解决方案的解耦。它的主要作用是将功能分解到离散的各个服务当中,从而降低系统的耦合性,并提供更加灵活的服务支持。 和 微服务 相对应的,这…

【Python学习】 - Matplotlib二维绘图 - plt.matshow()和plt.imshow()区别对比

给定一个8*8的数据,用两种方式分别进行输出。 xx np.zeros((8,8),dtype np.uint8) xx[0,0] 13im Image.fromarray(xx) plt.imshow(im)plt.matshow(xx) plt.show() 输出: 得出结论: 首先我不知道为啥两个窗口是不一样大的。 其次发现图…

表达式主体定义

原文地址https://docs.microsoft.com/zh-cn/dotnet/csharp/programming-guide/statements-expressions-operators/expression-bodied-members 通过表达式主体定义,可采用非常简洁的可读形式提供成员的实现。 只要任何支持的成员(如方法或属性&#xff0…

【机器学习】 - 数据预处理之数据归一化(标准化)与实战分析,正则化

一、为什么要进行数据归一化 定义:把所有数据的特征都归到 [0,1] 之间 或 均值0方差1 的过程。原则:样本的所有特征,在特征空间中,对样本的距离产生的影响是同级的;问题:特征数字化后,由于取值…

Java中Lambda表达式与方法引用和构造器引用

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。 本文链接:https://blog.csdn.net/cjhc666/article/details/54948909 方法引用: 首先看 Timer t new Timer(1000, System.…

【基于Python】 - 人工智能机器学习深度学习数据分析 - 常见问题,常用的套路与操作(持续更新)

20200221; 1.做分类问题的时候,给定你标签,你想知道每一类标签的出现频数,可以使用这个函数:np.bincount()。 如果想分析一下数据样本是否均衡的时候,可以考虑这种操作,代码十分简明。 2. 当…

Entity Framework 简介

转贴:链接https://www.cnblogs.com/davidzhou/p/5348637.html 侵删,谢谢 第一篇:Entity Framework 简介 先从ORM说起吧,很多年前,由于.NET的开源组件不像现在这样发达,更别说一个开源的ORM框架&#xff0…

关于C#中的“?”

1. 可空类型修饰符(T?) 强类型语言中引用类型可以为空,如: string strnull;而你若是定义一个值类型为空,则是会报错的。 然而,在处理数据库和其他包含可能未赋值的元素的数据类型时,我们希望…

【Python学习】 - pyecharts包 - 地图可视化

安装: https://pan.baidu.com/s/1vAlSjVbHt0EDJY6C_38oEA 提取码:t9be 在这个链接中下载对应的.whl文件,放到下图所示的目录中。 然后打开anaconda prompt 找到对应的目录,输入: pip install pyecharts-0.1.9.4-py…

【Python学习】 - anaconda中spyder的常用快捷键总结

熟练spyder中的一些快捷键后,能极大提升code效率。 这里列出常用的快捷键。(可以在spyder导航栏Tools-Preferences-Keyboard shortcut中查看有所有的快捷键) Tab/ShiftTab:代码缩进/撤销代码缩进 Ctrl1:注释/撤销注释 Ctrl4/5:块注释/撤销块…

【机器学习】 - 关于图像质量评价IQA(Image Quality Assessment)

图像质量评价(Image Quality Assessment,IQA)是图像处理中的基本技术之一,主要通过对图像进行特性分析研究,然后评估出图像优劣(图像失真程度)。 主要的目的是使用合适的评价指标,使得评价结果…

【机器学习】 - CNN

什么是卷积神经网络,它为何重要? 卷积神经网络(也称作 ConvNets 或 CNN)是神经网络的一种,它在图像识别和分类等领域已被证明非常有效。 卷积神经网络除了为机器人和自动驾驶汽车的视觉助力之外,还可以成功…

wcf wpf mfc 区别

wcf:windows communication foundation 是微软将众多通信技术集成到一起的一个分布式通信开发框架。比如.net remoting、web service、msmq等。wpf:windows platform foundation 是新型的开发windows桌面应用的框架,mfc-winform-wpf ,是这样的一个升级路…

sharepoint服务器安装已安装netframework4.5,仍提示未安装

安装sharepoint2013服务器,明明安装已安装.net framework4.5,却提示未安装,要求安装 下载附件,解压缩,替换掉sharepoint2013里面的dll文件,成功。 另外,安装SharePoint Server,本机…

【机器学习】 - 关于合适用均方误差(MSE)何时用交叉熵(cross-entropy)

分类问题用交叉熵,回归问题用均方误差。 至于原因,可以看看它们的函数式,主要是两种损失函数对分类和回归结果误差的衡量的方式不同。比如,交叉熵,在分类时(热编码),如果分类正确&a…